論文の概要: Amortized Synthesis of Constrained Configurations Using a Differentiable
Surrogate
- arxiv url: http://arxiv.org/abs/2106.09019v1
- Date: Wed, 16 Jun 2021 17:59:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:34:40.732963
- Title: Amortized Synthesis of Constrained Configurations Using a Differentiable
Surrogate
- Title（参考訳）: 可変サロゲートを用いた拘束構成の記憶合成
- Authors: Xingyuan Sun, Tianju Xue, Szymon M. Rusinkiewicz, Ryan P. Adams
- Abstract要約: 設計、製造、制御の問題において、我々はしばしば合成の課題に直面している。
この多対一の地図は、フィードフォワード合成の教師あり学習に挑戦する。
どちらの問題にも,オートエンコーダであると考えられる2段階のニューラルネットワークアーキテクチャで対処する。
- 参考スコア（独自算出の注目度）: 25.125736560730864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In design, fabrication, and control problems, we are often faced with the
task of synthesis, in which we must generate an object or configuration that
satisfies a set of constraints while maximizing one or more objective
functions. The synthesis problem is typically characterized by a physical
process in which many different realizations may achieve the goal. This
many-to-one map presents challenges to the supervised learning of feed-forward
synthesis, as the set of viable designs may have a complex structure. In
addition, the non-differentiable nature of many physical simulations prevents
direct optimization. We address both of these problems with a two-stage neural
network architecture that we may consider to be an autoencoder. We first learn
the decoder: a differentiable surrogate that approximates the many-to-one
physical realization process. We then learn the encoder, which maps from goal
to design, while using the fixed decoder to evaluate the quality of the
realization. We evaluate the approach on two case studies: extruder path
planning in additive manufacturing and constrained soft robot inverse
kinematics. We compare our approach to direct optimization of design using the
learned surrogate, and to supervised learning of the synthesis problem. We find
that our approach produces higher quality solutions than supervised learning,
while being competitive in quality with direct optimization, at a greatly
reduced computational cost.
- Abstract（参考訳）: 設計、製造、制御の問題において、私たちはしばしば合成のタスクに直面しており、1つ以上の目的関数を最大化しながら制約のセットを満たすオブジェクトや構成を生成する必要がある。
合成問題は通常、多くの異なる実現が目標を達成する物理過程によって特徴づけられる。
この多対一の地図はフィードフォワード合成の教師あり学習に困難をもたらし、実行可能な設計の集合は複雑な構造を持つ可能性がある。
加えて、多くの物理シミュレーションの非微分的性質は直接最適化を妨げている。
これら2つの問題を,オートエンコーダと考えられる2段階のニューラルネットワークアーキテクチャで解決する。
まずデコーダ、多対一の物理実現過程を近似した微分可能なサロゲートを学習する。
次に、ゴールから設計へマップするエンコーダを学習し、固定デコーダを使用して実現の質を評価する。
本研究は,加法製造における押出し経路計画とソフトロボット逆運動学の2つのケーススタディについて評価する。
学習したサロゲートを用いて設計を直接最適化するアプローチと、合成問題の教師付き学習を比較した。
このアプローチは教師付き学習よりも高品質なソリューションを生み出すと同時に,直接最適化による品質面での競争力を保ちながら,計算コストを大幅に削減する。
関連論文リスト
- Automated Placement of Analog Integrated Circuits using Priority-based Constructive Heuristic [0.0]
われわれは,いわゆるポケット,合併の可能性,デバイス間のパラメトリジブルな最小距離を必要とする,特定の種類のアナログ配置に注目した。
我々の解は回路の境界ボックスの周長と近似ワイヤ長を最小化する。
本手法は,手作業による設計を伴い,合成された産業事例と実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実
論文 参考訳（メタデータ） (2024-10-18T07:16:59Z) - LInK: Learning Joint Representations of Design and Performance Spaces through Contrastive Learning for Mechanism Synthesis [15.793704096341523]
本稿では,性能と設計空間のコントラスト学習と最適化手法を統合する新しいフレームワークであるLInKを紹介する。
マルチモーダルおよび変換不変のコントラスト学習フレームワークを活用することで、LInKは複雑な物理学とメカニズムの設計表現をキャプチャする共同表現を学習する。
以上の結果から,LInKは機構設計の分野を進展させるだけでなく,他の工学分野へのコントラスト学習や最適化の適用性も拡大することが示された。
論文 参考訳（メタデータ） (2024-05-31T03:04:57Z) - Improving Subject-Driven Image Synthesis with Subject-Agnostic Guidance [62.15866177242207]
主観的条件を構築することにより、与えられた主観的条件と入力テキストプロンプトの両方に整合した出力が得られることを示す。
私たちのアプローチは概念的にはシンプルで、最小限のコード修正しか必要ありませんが、実質的な品質改善につながります。
論文 参考訳（メタデータ） (2024-05-02T15:03:41Z) - 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) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - An End-to-End Differentiable Framework for Contact-Aware Robot Design [37.715596272425316]
我々は、接触認識ロボット設計のためのエンドツーエンドの差別化可能なフレームワークを構築した。
変形に基づく新しいパラメータ化により、任意の複雑な幾何学を持つ剛体ロボットを設計することができる。
微分可能な剛体シミュレータは、接触豊富なシナリオを処理し、運動パラメータと動的パラメータの完全なスペクトルに対する解析的勾配を計算することができる。
論文 参考訳（メタデータ） (2021-07-15T17:53:44Z) - Collaborative Multidisciplinary Design Optimization with Neural Networks [1.2691047660244335]
協調最適化の場合、二項分類の興味深い問題を解くことにより、より高速で信頼性の高い収束が得られることを示す。
本稿では,非対称な損失関数,リプシッツ連続性を保証する構造,基本距離関数の性質を尊重する正規化を含むニューラルネットワークのトレーニングを提案する。
論文 参考訳（メタデータ） (2021-06-11T00:03:47Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。