論文の概要: Accelerated and Inexpensive Machine Learning for Manufacturing Processes
with Incomplete Mechanistic Knowledge
- arxiv url: http://arxiv.org/abs/2305.00229v1
- Date: Sat, 29 Apr 2023 10:54:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:20:49.576640
- Title: Accelerated and Inexpensive Machine Learning for Manufacturing Processes
with Incomplete Mechanistic Knowledge
- Title(参考訳): 不完全機械工学的知識を有する製造プロセスのための高速化・安価な機械学習
- Authors: Jeremy Cleeman, Kian Agrawala, Rajiv Malhotra
- Abstract要約: 本稿では,この問題に対処するトランスファーラーニングに基づくアプローチを提案する。
MLモデルは、物理ベースのプロセスモデル(ソース)から大量の計算コストのかかるデータに基づいて訓練され、その後、より安価な実験データ(ターゲット)に基づいて微調整される。
情報源の極めて機能的かつ定量的な不正確さにもかかわらず、我々の手法はモデル開発コストを何年も削減し、実験コストを56~76%削減し、計算コストを桁違いに削減し、予測誤差を16~24%削減する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning (ML) is of increasing interest for modeling parametric
effects in manufacturing processes. But this approach is limited to established
processes for which a deep physics-based understanding has been developed over
time, since state-of-the-art approaches focus on reducing the experimental
and/or computational costs of generating the training data but ignore the
inherent and significant cost of developing qualitatively accurate
physics-based models for new processes . This paper proposes a transfer
learning based approach to address this issue, in which a ML model is trained
on a large amount of computationally inexpensive data from a physics-based
process model (source) and then fine-tuned on a smaller amount of costly
experimental data (target). The novelty lies in pushing the boundaries of the
qualitative accuracy demanded of the source model, which is assumed to be high
in the literature, and is the root of the high model development cost. Our
approach is evaluated for modeling the printed line width in Fused Filament
Fabrication. Despite extreme functional and quantitative inaccuracies in the
source our approach reduces the model development cost by years, experimental
cost by 56-76%, computational cost by orders of magnitude, and prediction error
by 16-24%.
- Abstract(参考訳): 機械学習(ML)は、製造プロセスにおけるパラメトリック効果のモデリングへの関心が高まっている。
最先端のアプローチでは、トレーニングデータを生成する実験的および/または計算的コストの削減に重点を置いているが、新しいプロセスのための定性的に正確な物理ベースのモデルを開発するための本質的で重要なコストは無視されている。
本稿では,この問題に対処するトランスファーラーニングに基づくアプローチを提案する。そこでは,MLモデルを物理ベースプロセスモデル(ソース)から大量の計算コストのかかるデータに基づいて訓練し,より安価な実験データ(ターゲット)に基づいて微調整を行う。
この斬新さは、文献において高いと推定されるソースモデルに要求される定性的精度の境界を押し下げることであり、高モデル開発コストの根源である。
溶融フィラメント製造におけるプリントライン幅のモデル化について検討した。
極端な機能的・量的不正確さにもかかわらず、我々のアプローチはモデル開発コストを年々削減し、実験コストを56-76%、計算コストを桁違いに、予測誤差を16-24%削減する。
関連論文リスト
- Multifidelity linear regression for scientific machine learning from
scarce data [0.0]
本稿では,科学機械学習のための多要素学習手法を提案する。
様々な忠実さとコストのデータが利用できる科学的な文脈を利用する。
本研究では,高忠実度データを学習した学習モデルが,高忠実度データのみを学習した標準モデルよりも,高忠実度データを訓練した学習モデルよりも低次モデルの分散を実現することを示す。
論文 参考訳(メタデータ) (2024-03-13T15:40:17Z) - QualEval: Qualitative Evaluation for Model Improvement [86.29905469151566]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳(メタデータ) (2023-11-06T00:21:44Z) - Reusing Pretrained Models by Multi-linear Operators for Efficient
Training [65.64075958382034]
大規模なモデルをスクラッチからトレーニングすることは、通常、かなりの量のリソースを必要とする。
bert2BERT や LiGO といった最近の研究は、大規模なモデルを初期化するために、小さな事前訓練されたモデルを再利用している。
本稿では,対象モデルの各重みを事前学習モデルの全重みに線形に相関させる手法を提案する。
論文 参考訳(メタデータ) (2023-10-16T06:16:47Z) - Cost-Effective Retraining of Machine Learning Models [2.9461360639852914]
データが時間とともに変化するにつれて、そのパフォーマンスを維持するためには、機械学習(ML)モデルを再トレーニングすることが重要です。
これにより、再トレーニングの頻度が高過ぎると、不要な計算コストが発生し、再トレーニングが不十分になる。
本稿では,MLモデルをいつ再トレーニングするかを自動かつ費用対効果で決定するMLシステムを提案する。
論文 参考訳(メタデータ) (2023-10-06T13:02:29Z) - Uncertainty Estimation in Machine Learning [0.0]
機械学習において、モデルの複雑さと厳密な非線形性は、不確実性評価に深刻な障害となる。
事前トレーニングモデルの最新の例は、数十億のパラメータと半テラバイトのトレーニングデータセットを備えたGenerative Pre-trained Transformer 3である。
論文 参考訳(メタデータ) (2022-06-03T16:11:11Z) - Alternate Model Growth and Pruning for Efficient Training of
Recommendation Systems [7.415129876303651]
モデルプルーニングは、冗長なパラメータを取り除いてディープニューラルネットワークの計算オーバーヘッドを削減する効果的な手法である。
ビッグデータ処理の需要のため、現代のレコメンデーションシステムはモデルキャパシティにとってまだ渇望的です。
トレーニング中の重量を代替して構築し、調整するためのダイナミックなトレーニングスキーム、すなわち、モデルの成長と刈り取りを提案します。
論文 参考訳(メタデータ) (2021-05-04T03:14:30Z) - Model-Augmented Q-learning [112.86795579978802]
モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。
具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。
提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
論文 参考訳(メタデータ) (2021-02-07T17:56:50Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳(メタデータ) (2020-06-13T17:28:52Z)
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。