論文の概要: Deep Gaussian Process-based Multi-fidelity Bayesian Optimization for Simulated Chemical Reactors

• arxiv url: http://arxiv.org/abs/2210.17213v1
• Date: Mon, 31 Oct 2022 10:52:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 19:42:01.949205
• Title: Deep Gaussian Process-based Multi-fidelity Bayesian Optimization for Simulated Chemical Reactors
• Title（参考訳）: 深いガウス過程に基づく化学反応器の多元的ベイズ最適化
• Authors: Tom Savage, Nausheen Basha, Omar Matar Ehecatl, Antonio Del-Rio Chanona
• Abstract要約: 深部ガウス過程(DGP)を多密度コイル管型原子炉シミュレーションのモデル化に応用する。 反応器ジオメトリーの探索空間は、異なる忠実度シミュレーションのアマルガムによって探索される。 シミュレーションの精度は、3Dプリントされた原子炉構成から得られた実験データに対して決定される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: New manufacturing techniques such as 3D printing have recently enabled the creation of previously infeasible chemical reactor designs. Optimizing the geometry of the next generation of chemical reactors is important to understand the underlying physics and to ensure reactor feasibility in the real world. This optimization problem is computationally expensive, nonlinear, and derivative-free making it challenging to solve. In this work, we apply deep Gaussian processes (DGPs) to model multi-fidelity coiled-tube reactor simulations in a Bayesian optimization setting. By applying a multi-fidelity Bayesian optimization method, the search space of reactor geometries is explored through an amalgam of different fidelity simulations which are chosen based on prediction uncertainty and simulation cost, maximizing the use of computational budget. The use of DGPs provides an end-to-end model for five discrete mesh fidelities, enabling less computational effort to gain good solutions during optimization. The accuracy of simulations for these five fidelities is determined against experimental data obtained from a 3D printed reactor configuration, providing insights into appropriate hyper-parameters. We hope this work provides interesting insight into the practical use of DGP-based multi-fidelity Bayesian optimization for engineering discovery.
• Abstract（参考訳）: 3dプリンティングのような新しい製造技術により、これまで実現できなかった化学反応器の設計が可能になった。 次世代の化学反応器の幾何学を最適化することは、基礎となる物理を理解し、現実の世界で原子炉の実現性を確保するために重要である。 この最適化問題は計算コストが高く、非線形で微分なしであり、解決が難しい。 本研究では,重み付きガウス過程(dgps)をベイズ最適化環境でのマルチフィデリティコイル型反応器シミュレーションに応用する。 マルチフィデリティベイズ最適化法を適用して,予測の不確実性とシミュレーションコストに基づいて選択された異なるフィデリティシミュレーションのアマルガムを用いて,反応器ジオメトリーの探索空間を探索し,計算予算の最大化を行う。 DGPの使用は、5つの離散メッシュ忠実度に対するエンドツーエンドモデルを提供し、最適化時に優れた解を得るための計算労力を減らすことができる。 これらの5つの忠実度シミュレーションの精度は、3Dプリントされた原子炉構成から得られた実験データに対して決定され、適切なハイパーパラメータに関する洞察を与える。 この研究が、エンジニアリング発見におけるdgpベースのマルチフィデリティベイズ最適化の実用性に関する興味深い洞察を提供してくれることを願っている。

関連論文リスト

• Reactor Optimization Benchmark by Reinforcement Learning [0.24374097382908472]
  本稿では,強化学習に特化して設計されたOpenNeoMCフレームワークのベンチマーク問題を紹介する。 テストケースは、異なる物理状態を表す、異なる局所的な最適性を備えており、アルゴリズムの学習に挑戦している。 厳密な制約で複雑な最適化景観をナビゲートする際の強化学習の有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-21T10:26:47Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• 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)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Optimizing High-Dimensional Physics Simulations via Composite Bayesian Optimization [1.433758865948252]
  物理シミュレーションに基づく最適化は、科学と工学において一般的な課題である。 画像出力を効果的にモデル化するために,テンソルベースガウス過程と信頼領域ベイズ最適化を利用したベイズ最適化法を開発した。
  論文  参考訳（メタデータ） (2021-11-29T19:29:35Z)
• Application of an automated machine learning-genetic algorithm (AutoML-GA) coupled with computational fluid dynamics simulations for rapid engine design optimization [0.0]
  本研究は,内燃機関のサロゲート最適化のための自動アクティブラーニング手法であるAutoML-GAについて述べる。 遺伝的アルゴリズムを用いて、機械学習サロゲート表面上の設計最適点を特定する。 その結果,AutoML-GAはCFDシミュレーションの少ない精度で最適化できることがわかった。
  論文  参考訳（メタデータ） (2021-01-07T17:50:52Z)
• 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)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)
• 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。