論文の概要: Graph Learning based Generative Design for Resilience of Interdependent Network Systems

• arxiv url: http://arxiv.org/abs/2207.00931v1
• Date: Sun, 3 Jul 2022 01:35:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 16:17:53.489213
• Title: Graph Learning based Generative Design for Resilience of Interdependent Network Systems
• Title（参考訳）: 相互依存型ネットワークシステムのレジリエンスのためのグラフ学習に基づく生成設計
• Authors: Jiaxin Wu and Pingfeng Wang
• Abstract要約: 本研究では,グラフ学習アルゴリズムを用いた生成設計手法を提案する。 ジェネレータは、既存のシステムから優れた特性をインテリジェントにマイニングし、事前に定義された性能基準を満たす新しい設計を出力することができる。 IEEEデータセットの電力システムに基づくケーススタディでは,提案手法の適用性を示した。
• 参考スコア（独自算出の注目度）: 3.6930948691311007
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Interconnected complex systems usually undergo disruptions due to internal uncertainties and external negative impacts such as those caused by harsh operating environments or regional natural disaster events. To maintain the operation of interconnected network systems under both internal and external challenges, design for resilience research has been conducted from both enhancing the reliability of the system through better designs and improving the failure recovery capabilities. As for enhancing the designs, challenges have arisen for designing a robust system due to the increasing scale of modern systems and the complicated underlying physical constraints. To tackle these challenges and design a resilient system efficiently, this study presents a generative design method that utilizes graph learning algorithms. The generative design framework contains a performance estimator and a candidate design generator. The generator can intelligently mine good properties from existing systems and output new designs that meet predefined performance criteria. While the estimator can efficiently predict the performance of the generated design for a fast iterative learning process. Case studies results based on power systems from the IEEE dataset have illustrated the applicability of the proposed method for designing resilient interconnected systems.
• Abstract（参考訳）: 相互接続された複合システムは通常、内部の不確実性や厳しい運用環境や地域の自然災害による外部の負の影響によって破壊される。 内部および外部の課題下での相互接続型ネットワークシステムの運用を維持するため、より優れた設計によるシステムの信頼性向上と障害復旧能力の向上からレジリエンス研究の設計が行われた。 設計の強化については、近代的なシステムの規模拡大と複雑な物理的制約により、堅牢なシステムを設計する上での課題が生じた。 これらの課題に対処し、レジリエントなシステムを効率的に設計するために、グラフ学習アルゴリズムを利用した生成設計手法を提案する。 生成設計フレームワークは、性能推定器と候補設計生成器とを含む。 ジェネレータは、既存のシステムから優れた特性をインテリジェントにマイニングし、事前に定義された性能基準を満たす新しい設計を出力することができる。 推定器は、高速反復学習プロセスにおいて、生成した設計の性能を効率的に予測できる。 IEEEデータセットのパワーシステムに基づくケーススタディでは、レジリエントな相互接続システムの設計法の適用性を示した。

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)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• An Uncertainty-aware Deep Learning Framework-based Robust Design Optimization of Metamaterial Units [14.660705962826718]
  メタマテリアルユニットの設計のための,新しい不確実性を考慮したディープラーニングフレームワークに基づくロバスト設計手法を提案する。 提案手法は,高性能なメタマテリアルユニットを高信頼性で設計できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T22:21:27Z)
• Machine learning for structural design models of continuous beam systems via influence zones [3.284878354988896]
  この研究は、逆問題の観点から連続ビームシステムのための機械学習構造設計モデルを開発する。 本研究の目的は,任意のシステムサイズを持つ連続ビームシステムの断面積要求を予測できる非定常構造設計モデルを概念化することである。
  論文  参考訳（メタデータ） (2024-03-14T14:53:18Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Dynamic Decision Making in Engineering System Design: A Deep Q-Learning Approach [1.3812010983144802]
  本稿では,Deep Q-learningアルゴリズムを用いてエンジニアリングシステムの設計を最適化するフレームワークを提案する。 目的は、不確実性の複数のソースが与えられたシミュレーションモデルの出力を最大化するポリシーを見つけることである。 複数の不確実性が存在する場合の2つの工学系設計問題を解くことで,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-28T06:11:34Z)
• Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
  再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。 無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。 本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
  論文  参考訳（メタデータ） (2022-04-28T09:26:14Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Fast Design Space Exploration of Nonlinear Systems: Part II [7.35349188211367]
  Fast Design Space Exploration of Systems (ASSENT) というフレームワークにカプセル化された2段階のアプローチにより、非線形システム設計空間探索に取り組みます。 最初のステップでは、コンポーネントの値を個別に選択できるシステムアーキテクチャを探すために、遺伝的アルゴリズムを使用します。 第2のステップでは、逆設計を用いて連続空間を探索し、目的関数の値を改善することを目的としてコンポーネント値を微調整する。
  論文  参考訳（メタデータ） (2021-04-05T16:11:50Z)
• Reinforcement Learning for Flexibility Design Problems [77.37213643948108]
  フレキシビリティ設計問題に対する強化学習フレームワークを開発した。 実験の結果、RL法は古典的手法よりも優れた解を常に見出すことがわかった。
  論文  参考訳（メタデータ） (2021-01-02T02:44:39Z)
• Context-Aware Design of Cyber-Physical Human Systems (CPHS) [11.367471035783742]
  我々は、設計中の物理インフラの意思決定プロセスが、サイバーインフラ上の分散リソースにインテリジェントに接続される新しい設計環境、サイバー物理ヒューマンシステム(CPHS)を構想する。 このフレームワークは、既存のデザインモデルと、新しいデザインにおけるヒューマン・インフラクチャー相互作用を含むコンテキスト認識設計固有のデータを組み合わせて、機械学習アプローチを使用して、予測能力を改善した拡張デザインモデルを作成する。
  論文  参考訳（メタデータ） (2020-01-07T07:31:36Z)

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。