論文の概要: Surrogate-assisted distributed swarm optimisation for computationally
expensive geoscientific models
- arxiv url: http://arxiv.org/abs/2201.06843v3
- Date: Mon, 26 Jun 2023 18:39:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 18:15:54.495788
- Title: Surrogate-assisted distributed swarm optimisation for computationally
expensive geoscientific models
- Title(参考訳): 計算コストの高い地質モデルのための代理支援分散Swarm最適化
- Authors: Rohitash Chandra, Yash Vardhan Sharma
- Abstract要約: 並列計算アーキテクチャ上での分散Swarm最適化におけるサロゲートに基づく適合度評価を実装した。
この結果は,ベンチマーク関数とバッドランド景観の進化モデルに対して非常に有望な結果を示す。
この論文の主な貢献は、測地モデルに対する代理に基づく最適化の適用である。
- 参考スコア(独自算出の注目度): 1.8627798812601288
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evolutionary algorithms provide gradient-free optimisation which is
beneficial for models that have difficulty in obtaining gradients; for
instance, geoscientific landscape evolution models. However, such models are at
times computationally expensive and even distributed swarm-based optimisation
with parallel computing struggles. We can incorporate efficient strategies such
as surrogate-assisted optimisation to address the challenges; however,
implementing inter-process communication for surrogate-based model training is
difficult. In this paper, we implement surrogate-based estimation of fitness
evaluation in distributed swarm optimisation over a parallel computing
architecture. We first test the framework on a set of benchmark optimisation
problems and then apply it to a geoscientific model that features a landscape
evolution model. Our results demonstrate very promising results for benchmark
functions and the Badlands landscape evolution model. We obtain a reduction in
computational time while retaining optimisation solution accuracy through the
use of surrogates in a parallel computing environment. The major contribution
of the paper is in the application of surrogate-based optimisation for
geoscientific models which can in the future help in a better understanding of
paleoclimate and geomorphology.
- Abstract(参考訳): 進化的アルゴリズムは、勾配を得るのに困難であるモデル、例えば地質学的景観進化モデルに有利な勾配のない最適化を提供する。
しかし、そのようなモデルは計算コストが高く、並列コンピューティングの困難を伴う分散swarmベースの最適化さえある。
課題に対処するために,サロゲート支援最適化などの効率的な戦略を取り入れることができるが,サロゲートベースモデルトレーニングのためのプロセス間通信の実装は困難である。
本稿では,並列コンピューティングアーキテクチャ上での分散Swarm最適化において,サロゲートに基づく適合度評価を実装した。
筆者らはまず,一連のベンチマーク最適化問題に基づいてフレームワークをテストし,地形進化モデルを備えた地質学的モデルに適用する。
この結果は,ベンチマーク関数とバッドランド景観の進化モデルに対して非常に有望な結果を示す。
並列計算機環境におけるサロゲートを用いて最適化解の精度を維持しつつ計算時間を短縮する。
この論文の主な貢献は、将来古気候や地形の理解を深める上で役立つ地球科学的モデルへの代理に基づく最適化の適用である。
関連論文リスト
- Efficient Inverse Design Optimization through Multi-fidelity
Simulations, Machine Learning, and Search Space Reduction Strategies [0.4105236597768038]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実度機械学習モデル間の調和した相乗効果と高忠実度シミュレーションを促進する。
論文 参考訳(メタデータ) (2023-12-06T18:20:46Z) - A Bayesian Approach to Robust Inverse Reinforcement Learning [57.48221522174114]
我々は、オフラインモデルに基づく逆強化学習(IRL)に対するベイズ的アプローチを考える。
提案フレームワークは,専門家の報酬関数と環境力学の主観的モデルとを同時推定することにより,既存のオフラインモデルベースIRLアプローチとは異なる。
本分析は, 専門家が環境の高精度なモデルを持つと考えられる場合, 評価政策が堅牢な性能を示すという新たな知見を提示する。
論文 参考訳(メタデータ) (2023-09-15T17:37:09Z) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳(メタデータ) (2023-05-29T09:16:07Z) - Robust Model-Based Optimization for Challenging Fitness Landscapes [101.48246514363383]
タンパク質の設計には、フィットネスのランドスケープの最適化が含まれる。
指導法は, トレーニングセットにおける高適合度サンプルの多彩さに課題を呈する。
デザイン空間における「分離」というこの問題は、既存のモデルベース最適化ツールにおいて重大なボトルネックとなっていることを示す。
本稿では,新しいVAEを検索モデルとして利用して問題を克服する手法を提案する。
論文 参考訳(メタデータ) (2023-05-23T03:47:32Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳(メタデータ) (2022-06-14T06:28:04Z) - Combining Genetic Programming and Particle Swarm Optimization to
Simplify Rugged Landscapes Exploration [7.25130576615102]
元の関数のスムーズな代理モデルを構築するための新しい手法を提案する。
GP-FST-PSOサロゲートモデル(GP-FST-PSO Surrogate Model)と呼ばれる提案アルゴリズムは,グローバルな最適探索と,元のベンチマーク関数の視覚的近似の生成の両方において満足な結果が得られる。
論文 参考訳(メタデータ) (2022-06-07T12:55:04Z) - Data-driven evolutionary algorithm for oil reservoir well-placement and
control optimization [3.012067935276772]
一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。
確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
論文 参考訳(メタデータ) (2022-06-07T09:07:49Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳(メタデータ) (2020-12-21T17:29:58Z) - Enhanced data efficiency using deep neural networks and Gaussian
processes for aerodynamic design optimization [0.0]
随伴型最適化法は空気力学的形状設計において魅力的である。
複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。
本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-15T15:09:21Z) - 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。