論文の概要: Designing Air Flow with Surrogate-assisted Phenotypic Niching

• arxiv url: http://arxiv.org/abs/2105.04256v1
• Date: Mon, 10 May 2021 10:45:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 23:41:08.219256
• Title: Designing Air Flow with Surrogate-assisted Phenotypic Niching
• Title（参考訳）: サーロゲート型表現型ニチングによる気流設計
• Authors: Alexander Hagg, Dominik Wilde, Alexander Asteroth, Thomas B\"ack
• Abstract要約: 品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。 計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
• 参考スコア（独自算出の注目度）: 117.44028458220427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In complex, expensive optimization domains we often narrowly focus on finding high performing solutions, instead of expanding our understanding of the domain itself. But what if we could quickly understand the complex behaviors that can emerge in said domains instead? We introduce surrogate-assisted phenotypic niching, a quality diversity algorithm which allows to discover a large, diverse set of behaviors by using computationally expensive phenotypic features. In this work we discover the types of air flow in a 2D fluid dynamics optimization problem. A fast GPU-based fluid dynamics solver is used in conjunction with surrogate models to accurately predict fluid characteristics from the shapes that produce the air flow. We show that these features can be modeled in a data-driven way while sampling to improve performance, rather than explicitly sampling to improve feature models. Our method can reduce the need to run an infeasibly large set of simulations while still being able to design a large diversity of air flows and the shapes that cause them. Discovering diversity of behaviors helps engineers to better understand expensive domains and their solutions.
• Abstract（参考訳）: 複雑で高価な最適化ドメインでは、ドメイン自体の理解を広げるのではなく、しばしばハイパフォーマンスなソリューションを見つけることに集中します。 しかし、もしそのドメインに現れる複雑な振る舞いを素早く理解できたらどうだろうか? 本研究では,計算コストの高い表現型特徴を用いて,多種多様な行動を見出すことができる品質多様性アルゴリズムであるsurrogate phenotypic nichingを提案する。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。 高速GPUベースの流体力学解法は代理モデルと組み合わせて気流を生成する形状から流体特性を正確に予測するために用いられる。 機能モデルを改善するために明示的にサンプリングするのではなく、データ駆動の方法でサンプリングしながら、これらの機能をモデル化できることを示す。 提案手法は,多種多様な気流とそれを引き起こす形状を設計できる一方で,実現不可能なほどの大規模なシミュレーションを行う必要性を低減できる。 振る舞いの多様性を発見することで、エンジニアは高価なドメインとそのソリューションをより理解できるようになる。

関連論文リスト

• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Accelerating Black-Box Molecular Property Optimization by Adaptively Learning Sparse Subspaces [0.0]
  提案手法は,様々なベンチマークや実世界の問題において,既存のMPO手法よりも大幅に優れていることを示す。 具体的には,100ドル未満のクエリで100ドル以上の代替品の集合から,ほぼ最適分子を定期的に見つけることができることを示す。
  論文  参考訳（メタデータ） (2024-01-02T18:34:29Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Diffusion Generative Inverse Design [28.04683283070957]
  逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。 学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。 本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-05T08:32:07Z)
• Neural Multigrid Memory For Computational Fluid Dynamics [13.36209460135302]
  本稿では, 乱流シミュレーションのためのデータ駆動手法を提案する。 本稿では,ビデオ予測変換器(VPTR)とマルチグリッドアーキテクチャの長所を組み合わせた手法を提案する。 その結果,計算効率を保ちながら,他のベースラインよりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-06-21T20:19:57Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• A fully-differentiable compressible high-order computational fluid dynamics solver [0.0]
  圧縮可能なナビエ・ストークス方程式は圧縮可能な流れを制御し、乱流や衝撃のような複雑な現象を許容する。 ハードウェアとソフトウェアが著しく進歩したにもかかわらず、流体流の最小のスケールでは、現実のアプリケーションでは計算コストが禁じられている。 本稿では,高次数値計算法を用いて圧縮性流体の計算を行うための,完全微分可能な3次元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-09T15:18:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。