論文の概要: Generate plane quad mesh with neural networks and tree search
- arxiv url: http://arxiv.org/abs/2111.07613v1
- Date: Mon, 15 Nov 2021 09:03:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 14:27:36.352596
- Title: Generate plane quad mesh with neural networks and tree search
- Title(参考訳): ニューラルネットワークと木探索による平面クワッドメッシュの生成
- Authors: Hua Tong and Yong Ni
- Abstract要約: TreeMeshは、強化学習(教師付き学習も可能)と新しいモンテカルロ木探索(MCTS)を利用する方法である。
本プログラムは, 薄膜材料に共通する種子密度変化境界に対して, 高い優位性を示す。
- 参考スコア(独自算出の注目度): 0.21320960069210473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quality of mesh generation has long been considered a vital aspect in
providing engineers with reliable simulation results throughout the history of
the Finite Element Method (FEM). The element extraction method, which is
currently the most robust method, is used in business software. However, in
order to speed up extraction, the approach is done by finding the next element
that optimizes a target function, which can result in local mesh of bad quality
after many time steps. We provide TreeMesh, a method that uses this method in
conjunction with reinforcement learning (also possible with supervised
learning) and a novel Monte-Carlo tree search (MCTS) (Coulom(2006), Kocsis and
Szepesv\'ari(2006), Browne et~al.(2012)). The algorithm is based on a
previously proposed approach (Pan et~al.(2021)). After making many improvements
on DRL (algorithm, state-action-reward setting) and adding a MCTS, it
outperforms the former work on the same boundary. Furthermore, using tree
search, our program reveals much preponderance on seed-density-changing
boundaries, which is common on thin-film materials.
- Abstract(参考訳): メッシュ生成の品質は、FEM(Finite Element Method)の歴史を通じて、エンジニアに信頼性の高いシミュレーション結果を提供する上で、長い間重要な側面と考えられてきた。
現在最も堅牢な手法である要素抽出法は、ビジネスソフトウェアで使用されている。
しかし、抽出を高速化するために、ターゲット関数を最適化する次の要素を見つけることで、多くの時間ステップの後、ローカルメッシュの品質が低下する可能性がある。
強化学習(教師付き学習も可能)と、新しいモンテカルロ木探索(mcts)(coulom(2006), kocsis and szepesv\'ari(2006), browne et~al)と連携して、この手法を使用する手法であるtreemeshを提供する。
(2012)).
このアルゴリズムは以前に提案されたアプローチ(Pan et~al)に基づいている。
(2021)).
DRL (algorithm, state-action-reward set) に多くの改良を加え、MCTSを追加した後、同じ境界における前の作業よりも優れている。
さらに,本プログラムでは,薄膜材料に共通する種子密度変化境界を,木探索を用いて予測する。
関連論文リスト
- LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。
GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
論文 参考訳(メタデータ) (2024-06-29T05:14:04Z) - Provably Efficient Representation Learning with Tractable Planning in
Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究
まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。
次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文 参考訳(メタデータ) (2023-06-21T16:04:03Z) - Provable and Practical: Efficient Exploration in Reinforcement Learning via Langevin Monte Carlo [104.9535542833054]
我々は、強化学習のためのトンプソンサンプリングに基づくスケーラブルで効果的な探索戦略を提案する。
代わりに、Langevin Monte Carlo を用いて、Q 関数をその後部分布から直接サンプリングする。
提案手法は,Atari57スイートからのいくつかの挑戦的な探索課題において,最先端の深部RLアルゴリズムと比較して,より優れた,あるいは類似した結果が得られる。
論文 参考訳(メタデータ) (2023-05-29T17:11:28Z) - Monte Carlo Tree Descent for Black-Box Optimization [10.698553177585973]
我々は、より高速な最適化のためにサンプルベース降下をさらに統合する方法を研究する。
我々は,モンテカルロ探索木の拡張手法を,頂点における新しい降下法を用いて設計する。
提案アルゴリズムは,多くの挑戦的ベンチマーク問題において,最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-11-01T22:45:10Z) - Reinforcement Learning for Branch-and-Bound Optimisation using
Retrospective Trajectories [72.15369769265398]
機械学習は分岐のための有望なパラダイムとして登場した。
分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。
我々は現在最先端のRL分岐アルゴリズムを3~5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
論文 参考訳(メタデータ) (2022-05-28T06:08:07Z) - E2E-FS: An End-to-End Feature Selection Method for Neural Networks [0.3222802562733786]
EndtoEnd Feature Selection (E2FS) と呼ばれる新しい選択アルゴリズムを提案する。
アルゴリズムは,ラッソ法と同様,勾配降下法を用いて解く。
厳しい制約はあるものの、実験結果は、このアルゴリズムがどんな学習モデルでも利用できることを示している。
論文 参考訳(メタデータ) (2020-12-14T16:19:25Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳(メタデータ) (2020-07-24T17:06:55Z) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳(メタデータ) (2020-03-03T15:20:57Z)
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。