論文の概要: Machine Learning in Aerodynamic Shape Optimization

• arxiv url: http://arxiv.org/abs/2202.07141v1
• Date: Tue, 15 Feb 2022 02:23:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 16:04:40.226367
• Title: Machine Learning in Aerodynamic Shape Optimization
• Title（参考訳）: 空力形状最適化における機械学習
• Authors: Jichao Li and Xiaosong Du and Joaquim R. R. A. Martins
• Abstract要約: 最先端の機械学習アプローチが空気力学的形状最適化(ASO)にどのように役立つかを示す。 機械学習のトレーニング費用がかかるため、大規模な設計の実践的な最適化は依然として課題である。 MLモデル構築とASOの事前経験と知識との深い結合は、MLモデルを効果的に訓練するために推奨される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large volumes of experimental and simulation aerodynamic data have been rapidly advancing aerodynamic shape optimization (ASO) via machine learning (ML), whose effectiveness has been growing thanks to continued developments in deep learning. In this review, we first introduce the state of the art and the unsolved challenges in ASO. Next, we present a description of ML fundamentals and detail the ML algorithms that have succeeded in ASO. Then we review ML applications contributing to ASO from three fundamental perspectives: compact geometric design space, fast aerodynamic analysis, and efficient optimization architecture. In addition to providing a comprehensive summary of the research, we comment on the practicality and effectiveness of the developed methods. We show how cutting-edge ML approaches can benefit ASO and address challenging demands like interactive design optimization. However, practical large-scale design optimizations remain a challenge due to the costly ML training expense. A deep coupling of ML model construction with ASO prior experience and knowledge, such as taking physics into account, is recommended to train ML models effectively.
• Abstract（参考訳）: 機械学習(ML)によるASO(Aerodynamic shape optimization)の急速な進歩は, ディープラーニングの継続的な発展により, 有効性が高まっている。 本稿ではまず,ASOにおける最先端技術と未解決課題について紹介する。 次に,ASOに成功しているMLアルゴリズムについて述べる。 次に,ASOに寄与するMLアプリケーションについて,コンパクトな幾何学的設計空間,高速空力解析,効率的な最適化アーキテクチャの3点から概観する。 本研究の総合的な概要を述べるとともに,開発手法の実用性と有効性について述べる。 最先端のMLアプローチがASOにどのような恩恵をもたらすかを示し、インタラクティブな設計最適化のような課題に対処する。 しかしながら、コストのかかるmlトレーニングコストのため、実用的な大規模設計最適化は依然として課題である。 MLモデル構築とASOの事前経験と物理を考慮した知識との深い結合は、MLモデルを効果的に訓練するために推奨される。

関連論文リスト

• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Instance-Conditioned Adaptation for Large-scale Generalization of Neural Combinatorial Optimization [15.842155380912002]
  本研究は,ニューラル最適化の大規模一般化のための新しいインスタンス・コンディション適応モデル(ICAM)を提案する。 特に,NCOモデルのための強力なインスタンス条件付きルーティング適応モジュールを設計する。 我々は,ラベル付き最適解を使わずに,モデルがクロススケールな特徴を学習することのできる,効率的な3段階強化学習ベーストレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-03T08:00:19Z)
• ML4PhySim : Machine Learning for Physical Simulations Challenge (The airfoil design) [16.140736542578562]
  この競争の目的は、物理的な問題を解決するための新しいML技術の開発を促進することである。 本研究では,AirfRANSというデータセットを用いて,翼設計シミュレーションを表現するタスクの学習を提案する。 我々の知る限りでは、これはMLベースのサロゲートアプローチを使用して物理シミュレーションのトレードオフ計算コスト/精度を改善するための最初の競争である。
  論文  参考訳（メタデータ） (2024-03-03T22:10:21Z)
• Towards Optimal Learning of Language Models [124.65669486710992]
  言語モデル(LM)の最適学習の理論を提案する。 我々は、最適学習過程における力学の性質を明らかにするために、学習法則という定理を導出した。 我々は、LMの最適学習が、LMのスケーリング法則における係数の改善に起因することを実証的に検証した。
  論文  参考訳（メタデータ） (2024-02-27T18:52:19Z)
• Revisiting Zeroth-Order Optimization for Memory-Efficient LLM Fine-Tuning: A Benchmark [166.40879020706151]
  本稿では、微調整時のメモリコスト低減のためのソリューションとして、BPフリーゼロオーダー最適化(ZO)への移行を提案する。 従来のZO-SGD法とは異なり、我々の研究はより広い範囲のZO最適化手法に探索を広げる。 本研究は,タスクアライメントの重要性,前方勾配法の役割,アルゴリズムの複雑さと微調整性能のバランスについて,これまで見過ごされてきた最適化原理を明らかにした。
  論文  参考訳（メタデータ） (2024-02-18T14:08:48Z)
• An Open-Source ML-Based Full-Stack Optimization Framework for Machine Learning Accelerators [3.9343070428357225]
  本稿では,ハードウェアアクセラレーション型ディープニューラルネットワーク(DNN)と非DNN機械学習アクセラレータのための物理設計駆動型学習ベース予測フレームワークを提案する。 提案手法は,2つのディープラーニングアクセラレータプラットフォームのASIC実装に対して,平均7%以下の予測誤差でバックエンドPPAとシステムメトリクスを連続的に予測することを示す。
  論文  参考訳（メタデータ） (2023-08-23T13:16:31Z)
• Improving aircraft performance using machine learning: a review [57.82442188072833]
  本稿では,航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について概説する。 我々は、さまざまな航空宇宙分野にまたがるML手法の利点と課題を整理し、技術の現状を概観する。
  論文  参考訳（メタデータ） (2022-10-20T07:16:53Z)
• Theory-Guided Machine Learning for Process Simulation of Advanced Composites [0.0]
  Theory-Guided Machine Learning (TGML)は、物理法則をMLアルゴリズムに統合することを目指している。 本稿では, 複合材料の加工過程における熱管理に関する3つのケーススタディについて述べる。
  論文  参考訳（メタデータ） (2021-03-30T00:49:40Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。