論文の概要: Swarm Reinforcement Learning For Adaptive Mesh Refinement
- arxiv url: http://arxiv.org/abs/2304.00818v1
- Date: Mon, 3 Apr 2023 09:07:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 16:08:00.344954
- Title: Swarm Reinforcement Learning For Adaptive Mesh Refinement
- Title(参考訳): 適応的メッシュリファインメントのためのSwarm強化学習
- Authors: Niklas Freymuth, Philipp Dahlinger, Tobias W\"urth, Luise K\"arger,
Gerhard Neumann
- Abstract要約: 適応メッシュ精錬をSwarm強化学習問題として定式化する。
我々は任意の方程式系の信頼性と拡張性のある洗練戦略を学習する。
以上の結果から,従来のエラーベースのAMRリファインメント戦略と同等の精度で,学習ベースラインを向上し,改良品質を達成できることが示唆された。
- 参考スコア(独自算出の注目度): 12.017054986629846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adaptive Mesh Refinement (AMR) is crucial for mesh-based simulations, as it
allows for dynamically adjusting the resolution of a mesh to trade off
computational cost with the simulation accuracy. Yet, existing methods for AMR
either use task-dependent heuristics, expensive error estimators, or do not
scale well to larger meshes or more complex problems. In this paper, we
formalize AMR as a Swarm Reinforcement Learning problem, viewing each element
of a mesh as part of a collaborative system of simple and homogeneous agents.
We combine this problem formulation with a novel agent-wise reward function and
Graph Neural Networks, allowing us to learn reliable and scalable refinement
strategies on arbitrary systems of equations. We experimentally demonstrate the
effectiveness of our approach in improving the accuracy and efficiency of
complex simulations. Our results show that we outperform learned baselines and
achieve a refinement quality that is on par with a traditional error-based AMR
refinement strategy without requiring error indicators during inference.
- Abstract(参考訳): アダプティブメッシュリファインメント(AMR)は、メッシュの解像度を動的に調整し、計算コストとシミュレーション精度のトレードオフを可能にするため、メッシュベースのシミュレーションには不可欠である。
しかし、既存のAMRの方法はタスク依存のヒューリスティックス、高価なエラー推定器を使うか、より大きなメッシュやより複雑な問題にうまくスケールしない。
本稿では、AMRをSwarm Reinforcement Learning問題として定式化し、メッシュの各要素を単純で均一なエージェントの協調システムの一部として見る。
この問題の定式化とエージェントワイド報酬関数とグラフニューラルネットワークを組み合わせることで、任意の方程式系の信頼性とスケーラブルな洗練戦略を学習することができる。
複雑なシミュレーションの精度と効率を改善するためのアプローチの有効性を実験的に実証した。
その結果,学習ベースラインを上回って,推論中にエラーインジケータを必要とせず,従来のエラーベースのamrリファインメント戦略と同等のリファインメント品質を達成できた。
関連論文リスト
- Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳(メタデータ) (2024-06-20T10:01:22Z) - Adaptive Swarm Mesh Refinement using Deep Reinforcement Learning with Local Rewards [12.455977048107671]
Adaptive Mesh Refinement (AMR) は有限要素法(FEM)を改良する
我々は、AMRを複数の新しいエージェントに反復的に分割する、協調的、均質なエージェントのシステムとして定式化する。
我々のアプローチであるAdaptive Swarm Mesh Refinement (ASMR)は、効率的な安定した最適化を提供し、推論中にユーザ定義の解像度で高度に適応的なメッシュを生成する。
論文 参考訳(メタデータ) (2024-06-12T17:26:54Z) - Multi-Agent Reinforcement Learning for Adaptive Mesh Refinement [17.72127385405445]
完全協調型マルコフゲームとしてアダプティブメッシュリファインメント(AMR)の新たな定式化を提案する。
VDGN(Value Decomposition Graph Network)と呼ばれる新しい深層マルチエージェント強化学習アルゴリズムを設計する。
VDGNポリシは,グローバルエラーおよびコスト指標において,エラーしきい値に基づくポリシよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2022-11-02T00:41:32Z) - Deep Reinforcement Learning for Adaptive Mesh Refinement [0.9281671380673306]
我々は数値シミュレーションから直接AMR戦略のポリシーネットワークを訓練する。
トレーニング過程は、偏微分方程式に対する厳密な解や高忠実な基底真理を必要としない。
深層強化学習政策は、一般的なAMRと競合し、問題クラス全体にわたってうまく一般化し、精度とコストのバランスが良好であることを示す。
論文 参考訳(メタデータ) (2022-09-25T23:45:34Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-08-22T14:04:56Z) - Inverse deep learning methods and benchmarks for artificial
electromagnetic material design [8.47539037890124]
本稿では,AEM設計のためのディープラーニング逆法および非可逆および条件付き可逆ニューラルネットワークについて調査する。
提案手法は繰り返しシミュレーションの制約と容易に統合された計量によって導かれる。
問題がますます悪化するにつれて、境界損失(NA)を伴うニューラルアドジョイントがより高速に解を生成することが示される。
論文 参考訳(メタデータ) (2021-12-19T20:44:53Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳(メタデータ) (2021-06-15T17:22:59Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳(メタデータ) (2021-03-01T22:55:48Z) - Investigating the Scalability and Biological Plausibility of the
Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。
このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。
また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文 参考訳(メタデータ) (2020-10-13T08:02:38Z)
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。