論文の概要: Reinforcement learning for automatic quadrilateral mesh generation: a
soft actor-critic approach
- arxiv url: http://arxiv.org/abs/2203.11203v1
- Date: Sat, 19 Mar 2022 21:49:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 13:32:58.402091
- Title: Reinforcement learning for automatic quadrilateral mesh generation: a
soft actor-critic approach
- Title（参考訳）: 自動四辺メッシュ生成のための強化学習--ソフトアクタ-クリティックアプローチ
- Authors: Jie Pan, Jingwei Huang, Gengdong Cheng, Yong Zeng
- Abstract要約: 本稿では、自動メッシュ生成のための強化学習に基づく計算フレームワークを提案し、実装し、評価する。
有限要素解析(FEA)と計算流体力学(CFD)の領域におけるメッシュ生成は数値シミュレーションにおいて基本的な役割を果たす
- 参考スコア（独自算出の注目度）: 26.574242660728864
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper proposes, implements, and evaluates a Reinforcement Learning (RL)
based computational framework for automatic mesh generation. Mesh generation,
as one of six basic research directions identified in NASA Vision 2030, is an
important area in computational geometry and plays a fundamental role in
numerical simulations in the area of finite element analysis (FEA) and
computational fluid dynamics (CFD). Existing mesh generation methods suffer
from high computational complexity, low mesh quality in complex geometries, and
speed limitations. By formulating the mesh generation as a Markov decision
process (MDP) problem, we are able to use soft actor-critic, a state-of-the-art
RL algorithm, to learn the meshing agent's policy from trials automatically,
and achieve a fully automatic mesh generation system without human intervention
and any extra clean-up operations, which are typically needed in current
commercial software. In our experiments and comparison with a number of
representative commercial software, our system demonstrates promising
performance with respect to generalizability, robustness, and effectiveness.
- Abstract（参考訳）: 本稿では,メッシュ自動生成のための強化学習(rl)ベースの計算フレームワークを提案し,実装し,評価する。
メッシュ生成は、NASA Vision 2030で同定された6つの基本的な研究方向の1つであり、計算幾何学において重要な領域であり、有限要素解析(FEA)と計算流体力学(CFD)の領域における数値シミュレーションにおいて基本的な役割を果たす。
既存のメッシュ生成手法は計算複雑性が高く、複雑なジオメトリのメッシュ品質が低く、速度制限がある。
メッシュ生成をマルコフ決定プロセス(MDP)問題として定式化することにより、最先端のRLアルゴリズムであるソフトアクタクリティカルを使用して、試験からメッシュエージェントのポリシを自動学習し、人間の介入なしに完全な自動メッシュ生成システムと、現在の商用ソフトウェアで一般的に必要とされる余分なクリーンアップ操作を実現することができる。
我々の実験といくつかの代表的な商用ソフトウェアとの比較では、システムは汎用性、堅牢性、有効性に関して有望な性能を示す。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Asynchronous Fractional Multi-Agent Deep Reinforcement Learning for Age-Minimal Mobile Edge Computing [14.260646140460187]
計算集約的な更新のタイムラインを調査し、AoIを最小化するためにタスク更新とオフロードポリシーを共同で最適化する。
具体的には、エッジ負荷のダイナミクスを考慮し、期待時間平均AoIを最小化するためにタスクスケジューリング問題を定式化する。
提案アルゴリズムは,実験における最良基準アルゴリズムと比較して平均AoIを最大52.6%削減する。
論文 参考訳（メタデータ） (2024-09-25T11:33:32Z) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural
Networks [8.736819316856748]
本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。
曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。
また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
論文 参考訳（メタデータ） (2023-08-14T14:39:13Z) - Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
我々はロバスト成分分析のためのアルゴリズムを設計する(A)
行列を低主行列とスパース主行列の和に分解する。
論文 参考訳（メタデータ） (2023-07-12T03:48:26Z) - Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。
本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。
現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
論文 参考訳（メタデータ） (2022-04-14T17:46:26Z) - Energy-Efficient and Federated Meta-Learning via Projected Stochastic
Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。
各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文 参考訳（メタデータ） (2021-05-31T08:15:44Z) - FG-Net: Fast Large-Scale LiDAR Point CloudsUnderstanding Network
Leveraging CorrelatedFeature Mining and Geometric-Aware Modelling [15.059508985699575]
FG-Netは、Voxelizationなしで大規模ポイントクラウドを理解するための一般的なディープラーニングフレームワークです。
相関型特徴マイニングと変形性畳み込みに基づく幾何認識モデルを用いた深層畳み込みニューラルネットワークを提案する。
我々のアプローチは精度と効率の点で最先端のアプローチを上回っている。
論文 参考訳（メタデータ） (2020-12-17T08:20:09Z) - Automated Adversary Emulation for Cyber-Physical Systems via
Reinforcement Learning [4.763175424744536]
我々は,サイバー物理システムに対する敵エミュレーションに対するドメイン認識の自動化手法を開発した。
我々は、マルコフ決定プロセス(MDP)モデルを定式化し、ハイブリッドアタックグラフ上で最適なアタックシーケンスを決定する。
モデルベースおよびモデルフリー強化学習(RL)法を用いて,離散連続型MDPをトラクタブルな方法で解く。
論文 参考訳（メタデータ） (2020-11-09T18:44:29Z) - Rare-Event Simulation for Neural Network and Random Forest Predictors [16.701364984106092]
本研究では,現代の機械学習ツールを用いて,対象のヒットセットが定義される問題に対して,レアイベントシミュレーションについて検討する。
この問題は、インテリジェントシステムの安全性評価に関する急激な研究から動機づけられている。
論文 参考訳（メタデータ） (2020-10-10T03:27:09Z)
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。