論文の概要: Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding
- arxiv url: http://arxiv.org/abs/2112.08760v3
- Date: Mon, 10 Apr 2023 12:26:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 00:11:17.470228
- Title: Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding
- Title（参考訳）: 不足データの設定におけるプロセス設計パラメータの制約付き多目的最適化:接着接着への応用
- Authors: Alejandro Morales-Hern\'andez, Sebastian Rojas Gonzalez, Inneke Van
Nieuwenhuyse, Ivo Couckuyt, Jeroen Jordens, Maarten Witters, and Bart Van
Doninck
- Abstract要約: 接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
- 参考スコア（独自算出の注目度）: 48.7576911714538
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Adhesive joints are increasingly used in industry for a wide variety of
applications because of their favorable characteristics such as high
strength-to-weight ratio, design flexibility, limited stress concentrations,
planar force transfer, good damage tolerance, and fatigue resistance. Finding
the optimal process parameters for an adhesive bonding process is challenging:
the optimization is inherently multi-objective (aiming to maximize break
strength while minimizing cost), constrained (the process should not result in
any visual damage to the materials, and stress tests should not result in
failures that are adhesion-related), and uncertain (testing the same process
parameters several times may lead to different break strengths). Real-life
physical experiments in the lab are expensive to perform. Traditional
evolutionary approaches (such as genetic algorithms) are then ill-suited to
solve the problem, due to the prohibitive amount of experiments required for
evaluation. Although Bayesian optimization-based algorithms are preferred to
solve such expensive problems, few methods consider the optimization of more
than one (noisy) objective and several constraints at the same time. In this
research, we successfully applied specific machine learning techniques
(Gaussian Process Regression) to emulate the objective and constraint functions
based on a limited amount of experimental data. The techniques are embedded in
a Bayesian optimization algorithm, which succeeds in detecting Pareto-optimal
process settings in a highly efficient way (i.e., requiring a limited number of
physical experiments).
- Abstract（参考訳）: 接着継手は, 強度と重量比, 設計柔軟性, 限られた応力集中, 平面力伝達, 耐損傷性, 耐疲労性などの特徴から, 様々な用途において, 業界で広く利用されている。
接着性接着プロセスの最適なプロセスパラメータを見つけることは困難である: 最適化は本質的に多目的(コストを最小化しながら破壊強度を最大化する)であり、制約を受ける(プロセスは材料の視覚的な損傷を生じさせてはならないし、ストレステストは接着性に関連する障害を生じさせるべきではない)。
実験室での実際の物理実験は、実行にコストがかかる。
従来の進化的アプローチ(遺伝的アルゴリズムなど)は、評価に必要な実験の量が制限されるため、この問題を解決するのに不向きである。
ベイズ最適化に基づくアルゴリズムはそのような高価な問題を解決するために好まれるが、1つ以上の(ノイズの多い)目的といくつかの制約を同時に考慮する手法はほとんどない。
本研究では,限られた実験データに基づいて目的関数と制約関数をエミュレートするために,特定の機械学習手法(ガウス過程回帰)を応用した。
これらの手法はベイズ最適化アルゴリズムに組み込まれ、パレート最適プロセス設定を高い効率で検出することに成功した(つまり、限られた物理実験を必要とする)。
関連論文リスト
- Optimization-Driven Adaptive Experimentation [7.948144726705323]
実世界の実験には、バッチで遅延したフィードバック、非定常性、複数の目的と制約、そして(時には)パーソナライゼーションが含まれる。
これらの課題にプロブレム単位で対処するための適応的手法の調整は不可能であり、静的設計はデファクトスタンダードのままである。
本稿では,多種多様な目的,制約,統計的手順を柔軟に組み込む数学的プログラミングの定式化について述べる。
論文 参考訳（メタデータ） (2024-08-08T16:29:09Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Task-specific experimental design for treatment effect estimation [59.879567967089145]
因果推論の標準は大規模ランダム化試験(RCT)である。
近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。
実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
論文 参考訳（メタデータ） (2023-06-08T18:10:37Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Efficiently Controlling Multiple Risks with Pareto Testing [34.83506056862348]
本稿では,多目的最適化と複数仮説テストを組み合わせた2段階プロセスを提案する。
自然言語処理(NLP)アプリケーションにおいて,大規模トランスフォーマーモデルの実行を確実に高速化する手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-10-14T15:54:39Z) - Bayesian optimization with known experimental and design constraints for
chemistry applications [0.0]
実験計画アルゴリズムであるPhoenicsとGryffinを拡張して、任意の制約を扱えるようにします。
2つのシミュレーション化学研究シナリオでその実用性を解説する。
論文 参考訳（メタデータ） (2022-03-29T22:16:54Z) - Tuning Particle Accelerators with Safety Constraints using Bayesian
Optimization [73.94660141019764]
粒子加速器の機械パラメータのチューニングは反復的で時間を要する作業である。
我々は、安全なベイズ最適化のステップサイズ制限版を提案し、評価する。
論文 参考訳（メタデータ） (2022-03-26T02:21:03Z) - Golem: An algorithm for robust experiment and process optimization [0.0]
実験および最適化アルゴリズムの設計は、これらのタスクを効率的に解くためによく用いられる。
Golemは実験計画戦略の選択に最適であるアルゴリズムである。
過去の実験の堅牢性を分析したり、実験計画をオンザフライで堅牢なソリューションに向けて導くために使用できます。
論文 参考訳（メタデータ） (2021-03-05T15:00:34Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z) - Experimental adaptive Bayesian estimation of multiple phases with
limited data [0.0]
追加の制御パラメータを利用するアダプティブプロトコルは、量子センサの性能を最適化して、そのような制限されたデータ構造で動作するためのツールを提供する。
推定プロセス中に制御パラメータをチューニングするための最適な戦略を見つけることは自明な問題であり、機械学習技術はそのような課題に対処するための自然な解決策である。
フェムト秒レーザーによる小型でフレキシブルな集積フォトニック回路を用いて、高い制御率で異なる戦略を実現できる。
論文 参考訳（メタデータ） (2020-02-04T11:32:32Z)
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。