論文の概要: Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization
- arxiv url: http://arxiv.org/abs/2303.17468v1
- Date: Thu, 30 Mar 2023 15:44:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 13:00:58.020750
- Title: Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization
- Title（参考訳）: シミュレーションに基づく軌道計画最適化のためのサーロゲートニューラルネットワーク
- Authors: Evelyn Ruff, Rebecca Russell, Matthew Stoeckle, Piero Miotto, and
Jonathan P. How
- Abstract要約: 本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
- 参考スコア（独自算出の注目度）: 28.292234483886947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel methodology that uses surrogate models in the
form of neural networks to reduce the computation time of simulation-based
optimization of a reference trajectory. Simulation-based optimization is
necessary when there is no analytical form of the system accessible, only
input-output data that can be used to create a surrogate model of the
simulation. Like many high-fidelity simulations, this trajectory planning
simulation is very nonlinear and computationally expensive, making it
challenging to optimize iteratively. Through gradient descent optimization, our
approach finds the optimal reference trajectory for landing a hypersonic
vehicle. In contrast to the large datasets used to create the surrogate models
in prior literature, our methodology is specifically designed to minimize the
number of simulation executions required by the gradient descent optimizer. We
demonstrated this methodology to be more efficient than the standard practice
of hand-tuning the inputs through trial-and-error or randomly sampling the
input parameter space. Due to the intelligently selected input values to the
simulation, our approach yields better simulation outcomes that are achieved
more rapidly and to a higher degree of accuracy. Optimizing the hypersonic
vehicle's reference trajectory is very challenging due to the simulation's
extreme nonlinearity, but even so, this novel approach found a 74%
better-performing reference trajectory compared to nominal, and the numerical
results clearly show a substantial reduction in computation time for designing
future trajectories.
- Abstract（参考訳）: 本稿では,ニューラルネットワークによるサロゲートモデルを用いて,参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
シミュレーションに基づく最適化は、システムの分析形式が存在しない場合に必要であり、シミュレーションの代理モデルを作成するために使用できる入力出力データのみである。
多くの高忠実度シミュレーションと同様に、この軌道計画シミュレーションは非常に非線形で計算コストが高く、反復的に最適化することは困難である。
勾配降下最適化により, 極超音速車両の着陸に最適な基準軌道を求める。
先行文献でサロゲートモデルを作成するために使用される大規模データセットとは対照的に,勾配降下オプティマイザに必要なシミュレーション実行数を最小限に抑えるように設計されている。
我々は,この手法を,試行錯誤による入力のハンドチューニングや,ランダムにパラメータ空間をサンプリングする標準的な手法よりも効率的であることを示した。
シミュレーションに対して知的に選択された入力値により、より高速で精度の高いシミュレーション結果が得られる。
極超音速車両の基準軌道の最適化は, 極端な非線形性から非常に困難であるが, 仮称と比較して74%の精度向上が見いだされ, 数値計算結果から, 将来の軌道設計に要する計算時間が大幅に短縮されたことが判明した。
関連論文リスト
- Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization [9.364019847856714]
高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。
本稿では,最適化された部分空間マッピングの探索手法を提案する。
準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-09-05T12:56:03Z) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳（メタデータ） (2022-07-12T16:08:04Z) - 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) - Data-Driven Offline Optimization For Architecting Hardware Accelerators [89.68870139177785]
PRIMEと呼ばれるハードウェアアクセラレータを設計するための,データ駆動型オフライン最適化手法を開発した。
PRIMEは、最先端のシミュレーション駆動方式の性能を約1.54倍と1.20倍に改善し、必要な総シミュレーション時間をそれぞれ93%と99%削減する。
さらにPRIMEは、ゼロショット設定で見えないアプリケーションのための効果的なアクセラレーターを設計し、シミュレーションベースの手法を1.26倍に向上させた。
論文 参考訳（メタデータ） (2021-10-20T17:06:09Z) - Differentiable Agent-Based Simulation for Gradient-Guided
Simulation-Based Optimization [0.0]
勾配推定法は局所最適化に向けて最適化を行うのに利用できる。
高入力次元の信号タイミング最適化問題では、勾配に基づく手法の方がかなり優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-23T11:58:21Z) - 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) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳（メタデータ） (2020-08-16T11:36:11Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z) - Black-Box Optimization with Local Generative Surrogates [6.04055755718349]
物理学や工学などの分野において、多くのプロセスは難易度を持つ非微分可能シミュレータでモデル化される。
本稿では,パラメータ空間の局所的近傍におけるシミュレータを近似するために,深部生成モデルを導入する。
パラメータ空間に対するシミュレータの依存性が低次元部分多様体に制約されている場合、本手法はベースライン法よりも高速にミニマを実現する。
論文 参考訳（メタデータ） (2020-02-11T19:02:57Z)
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。