論文の概要: Swarm Reinforcement Learning For Adaptive Mesh Refinement

• arxiv url: http://arxiv.org/abs/2304.00818v2
• Date: Fri, 28 Jul 2023 14:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 16:02:01.302044
• 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, Simon Reisch, Luise K\"arger, Gerhard Neumann
• Abstract要約: 我々は,一連の課題に対して信頼性,拡張性,効率的な改善戦略を学習する新しいAMRを開発した。 提案手法は, 複雑なシミュレーションにおける一様改良に比べて最大30倍の高速化を実現した。
• 参考スコア（独自算出の注目度）: 11.201100158465394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Finite Element Method, an important technique in engineering, is aided by Adaptive Mesh Refinement (AMR), which dynamically refines mesh regions to allow for a favorable trade-off between computational speed and simulation accuracy. Classical methods for AMR depend on task-specific heuristics or expensive error estimators, hindering their use for complex simulations. Recent learned AMR methods tackle these problems, but so far scale only to simple toy examples. We formulate AMR as a novel Adaptive Swarm Markov Decision Process in which a mesh is modeled as a system of simple collaborating agents that may split into multiple new agents. This framework allows for a spatial reward formulation that simplifies the credit assignment problem, which we combine with Message Passing Networks to propagate information between neighboring mesh elements. We experimentally validate the effectiveness of our approach, Adaptive Swarm Mesh Refinement (ASMR), showing that it learns reliable, scalable, and efficient refinement strategies on a set of challenging problems. Our approach significantly speeds up computation, achieving up to 30-fold improvement compared to uniform refinements in complex simulations. Additionally, we outperform learned baselines and achieve a refinement quality that is on par with a traditional error-based AMR strategy without expensive oracle information about the error signal.
• Abstract（参考訳）: 工学において重要な技術である有限要素法は、動的にメッシュ領域を洗練し、計算速度とシミュレーション精度の良好なトレードオフを可能にするAdaptive Mesh Refinement (AMR)によって支援されている。 AMRの古典的な手法はタスク固有のヒューリスティックや高価なエラー推定器に依存しており、複雑なシミュレーションでの使用を妨げる。 最近の学習されたamr法はこれらの問題に取り組むが、今のところは単純なおもちゃの例にしかスケールしない。 我々は,AMRを適応群マルコフ決定プロセスとして定式化し,メッシュを複数の新しいエージェントに分割する単純な協調エージェントのシステムとしてモデル化する。 このフレームワークは、メッセージパッシングネットワークと組み合わせて近隣のメッシュ要素間で情報を伝達する、クレジット割り当て問題を単純化する空間報酬の定式化を可能にします。 提案手法の有効性,ASMR(Adaptive Swarm Mesh Refinement)の有効性を実験的に検証し,課題の集合に対して信頼性,スケーラブル,効率的な精錬戦略を学習することを示す。 本手法は計算処理を高速化し,複雑なシミュレーションにおける一様改良に比べて最大30倍の改善を実現する。 さらに,従来のエラーベースのAMR戦略と同等の精度で,エラー信号に関する高価なオラクル情報を持たずに,学習ベースラインを上回り,精度の向上を実現している。

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。