論文の概要: Heat Source Layout Optimization Using Automatic Deep Learning Surrogate
and Multimodal Neighborhood Search Algorithm
- arxiv url: http://arxiv.org/abs/2205.07812v2
- Date: Mon, 4 Jul 2022 07:15:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-12 23:42:18.630387
- Title: Heat Source Layout Optimization Using Automatic Deep Learning Surrogate
and Multimodal Neighborhood Search Algorithm
- Title(参考訳): 自動深層学習サーロゲートとマルチモーダル近傍探索アルゴリズムを用いた熱源レイアウト最適化
- Authors: Jialiang Sun and Xiaohu Zheng and Wen Yao and Xiaoya Zhang and Weien
Zhou and Xiaoqian Chen
- Abstract要約: 衛星配置設計において、熱源配置最適化(HSLO)は、最大温度を下げ、システム全体の熱管理を改善する効果的な手法である。
近年,レイアウトから対応する温度場へのマッピングを学習する深層学習サロゲートHSLOが提案されている。
- 参考スコア(独自算出の注目度): 2.596774017390572
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In satellite layout design, heat source layout optimization (HSLO) is an
effective technique to decrease the maximum temperature and improve the heat
management of the whole system. Recently, deep learning surrogate assisted HSLO
has been proposed, which learns the mapping from layout to its corresponding
temperature field, so as to substitute the simulation during optimization to
decrease the computational cost largely. However, it faces two main challenges:
1) the neural network surrogate for the certain task is often manually designed
to be complex and requires rich debugging experience, which is challenging for
the designers in the engineering field; 2) existing algorithms for HSLO could
only obtain a near optimal solution in single optimization and are easily
trapped in local optimum. To address the first challenge, considering reducing
the total parameter numbers and ensuring the similar accuracy as well as, a
neural architecture search (NAS) method combined with Feature Pyramid Network
(FPN) framework is developed to realize the purpose of automatically searching
for a small deep learning surrogate model for HSLO. To address the second
challenge, a multimodal neighborhood search based layout optimization algorithm
(MNSLO) is proposed, which could obtain more and better approximate optimal
design schemes simultaneously in single optimization. Finally, two typical
two-dimensional heat conduction optimization problems are utilized to
demonstrate the effectiveness of the proposed method. With the similar
accuracy, NAS finds models with 80% fewer parameters, 64% fewer FLOPs and 36%
faster inference time than the original FPN. Besides, with the assistance of
deep learning surrogate by automatic search, MNSLO could achieve multiple near
optimal design schemes simultaneously to provide more design diversities for
designers.
- Abstract(参考訳): 衛星配置設計において、熱源配置最適化(HSLO)は、最大温度を下げ、システム全体の熱管理を改善する効果的な手法である。
近年,深層学習サロゲート支援HSLOが提案され,レイアウトから対応する温度場へのマッピングを学習し,最適化中のシミュレーションを代用して計算コストを大幅に削減する。
しかし、2つの大きな課題に直面している。
1) 特定のタスクを代理するニューラルネットワークは、しばしば手動で複雑に設計され、エンジニアリング分野のデザイナにとって困難なリッチなデバッグエクスペリエンスを必要とする。
2) 既存のHSLOアルゴリズムは, 単一最適化において最適に近い解しか得られず, 局所最適化において容易に捕捉できる。
最初の課題に対処するため、総パラメータ数を減らし、類似の精度を確保するとともに、機能ピラミッドネットワーク(FPN)フレームワークと組み合わせたニューラルアーキテクチャサーチ(NAS)手法を開発し、HSLO用の小さなディープラーニングサロゲートモデルを自動的に検索する目的を実現する。
2つ目の課題に対処するため,マルチモーダル近傍探索に基づくレイアウト最適化アルゴリズム (MNSLO) を提案する。
最後に, 代表的な2次元熱伝導最適化問題を用いて, 提案手法の有効性を示す。
同様の精度でnasは、80%のパラメータ、64%のフロップ、そして36%の推論時間がオリジナルのfpnより速いモデルを見つける。
さらに、自動探索によるディープラーニングサロゲートの支援により、MNSLOは設計者により多くの設計多様性を提供するために、複数のほぼ最適な設計スキームを同時に達成することができた。
関連論文リスト
- Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-04T01:47:37Z) - Energy Efficiency Maximization in IRS-Aided Cell-Free Massive MIMO
System [2.9081408997650375]
本稿では、入射点におけるビームフォーミングとIRSにおける位相シフトを共同最適化してエネルギー効率(EE)を最大化する、インテリジェント反射面(IRS)を用いたセルレス大規模マルチインプット多重出力システムについて考察する。
EE問題を解くために,2次変換とラグランジアン双対変換を用いて最適ビームフォーミングと位相シフトを求める反復最適化アルゴリズムを提案する。
さらに,共同ビームフォーミングと位相シフト設計のための深層学習に基づくアプローチを提案する。具体的には,教師なし学習方式を用いて2段階の深層ニューラルネットワークをオフラインでトレーニングし,オンラインに展開する。
論文 参考訳(メタデータ) (2022-12-24T14:58:15Z) - High-Speed Resource Allocation Algorithm Using a Coherent Ising Machine
for NOMA Systems [3.6406488220483326]
NOMA手法の有効性を十分に活用する上で重要な課題は、リソース割り当ての最適化である。
NOMAシステムにおけるチャネル割り当てのためのコヒーレントIsing Machine(CIM)に基づく最適化手法を提案する。
提案手法は, 高速化と最適解の両面において優れていることを示す。
論文 参考訳(メタデータ) (2022-12-03T09:22:54Z) - Approaching Globally Optimal Energy Efficiency in Interference Networks
via Machine Learning [22.926877147296594]
本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。
その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
論文 参考訳(メタデータ) (2022-11-25T08:36:34Z) - A Framework for Discovering Optimal Solutions in Photonic Inverse Design [0.0]
フォトニック逆設計は複雑な光学系にとって必須の工学ツールとして登場した。
グローバル最適に近づく解を見つけることは、計算的に難解なタスクを示すかもしれない。
我々は,複雑な最適化空間上でのグローバル最適化に近い解の探索を高速化するフレームワークを開発する。
論文 参考訳(メタデータ) (2021-06-03T22:11:03Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-07T08:00:02Z) - Evolving Search Space for Neural Architecture Search [70.71153433676024]
最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。
我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。
遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
論文 参考訳(メタデータ) (2020-11-22T01:11:19Z) - Federated Learning via Intelligent Reflecting Surface [30.935389187215474]
オーバー・ザ・エア・コンピューティング・アルゴリズム(FL)は,複数のアクセスチャネルの波形重畳特性を利用して高速なモデルアグリゲーションを実現することができる。
本稿では,AirCompベースのFLのための高速かつ信頼性の高いモデルアグリゲーションを実現するための2段階最適化フレームワークを提案する。
シミュレーションの結果,提案するフレームワークとIRSの展開により,ベースラインアルゴリズムよりもトレーニング損失が低く,FL予測精度も高いことがわかった。
論文 参考訳(メタデータ) (2020-11-10T11:29:57Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳(メタデータ) (2020-06-15T02:57:57Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。