論文の概要: Deep learning based Meta-modeling for Multi-objective Technology Optimization of Electrical Machines

• arxiv url: http://arxiv.org/abs/2306.09087v3
• Date: Mon, 24 Jul 2023 07:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 20:55:56.642475
• Title: Deep learning based Meta-modeling for Multi-objective Technology Optimization of Electrical Machines
• Title（参考訳）: 深層学習に基づく電気機械の多目的技術最適化のためのメタモデリング
• Authors: Vivek Parekh, Dominik Flore, Sebastian Sch\"ops
• Abstract要約: 本稿では,2つの異なるマシン技術を同時に最適化するための変分自動エンコーダの応用について述べる。 トレーニング後、私たちは、グローバルなキーパフォーマンス指標を予測するために、ディープニューラルネットワークとデコーダをメタモデルとして使用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optimization of rotating electrical machines is both time- and computationally expensive. Because of the different parametrization, design optimization is commonly executed separately for each machine technology. In this paper, we present the application of a variational auto-encoder (VAE) to optimize two different machine technologies simultaneously, namely an asynchronous machine and a permanent magnet synchronous machine. After training, we employ a deep neural network and a decoder as meta-models to predict global key performance indicators (KPIs) and generate associated new designs, respectively, through unified latent space in the optimization loop. Numerical results demonstrate concurrent parametric multi-objective technology optimization in the high-dimensional design space. The VAE-based approach is quantitatively compared to a classical deep learning-based direct approach for KPIs prediction.
• Abstract（参考訳）: 回転電気機械の最適化は時間的にも計算的にも高価である。 異なるパラメトリゼーションのため、設計最適化は各機械技術ごとに個別に実行される。 本稿では,2つの異なる機械技術,すなわち非同期機械と永久磁石同期機を同時に最適化するための変分自動エンコーダ(VAE)の適用について述べる。 トレーニング後、ディープニューラルネットワークとデコーダをメタモデルとして、グローバルキーパフォーマンスインジケータ(kpi)を予測し、最適化ループ内の統一潜在空間を通じて、関連する新しい設計を生成する。 数値実験により、高次元設計空間における並列パラメトリック多目的技術最適化を示す。 VAEベースのアプローチは、KPI予測のための古典的なディープラーニングベースの直接アプローチと定量的に比較される。

関連論文リスト

• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
  本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。 提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。 特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
  論文  参考訳（メタデータ） (2023-12-06T18:20:46Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• An Open-Source ML-Based Full-Stack Optimization Framework for Machine Learning Accelerators [3.9343070428357225]
  本稿では,ハードウェアアクセラレーション型ディープニューラルネットワーク(DNN)と非DNN機械学習アクセラレータのための物理設計駆動型学習ベース予測フレームワークを提案する。 提案手法は,2つのディープラーニングアクセラレータプラットフォームのASIC実装に対して,平均7%以下の予測誤差でバックエンドPPAとシステムメトリクスを連続的に予測することを示す。
  論文  参考訳（メタデータ） (2023-08-23T13:16:31Z)
• Multi-Objective Optimization of Electrical Machines using a Hybrid Data-and Physics-Driven Approach [0.0]
  永久磁石同期機(PMSM)の数値最適化におけるハイブリッドデータおよび物理駆動モデルの適用について述べる。 データ駆動型教師ありトレーニングの後、ディープニューラルネットワーク(DNN)はPMSMの電磁的挙動を特徴付けるメタモデルとして機能する。 これらの中間測度は、必要な重要な性能指標を計算するために、様々な物理モデルで後処理される。
  論文  参考訳（メタデータ） (2023-06-15T12:47:56Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Variational Autoencoder based Metamodeling for Multi-Objective Topology Optimization of Electrical Machines [0.0]
  本稿では,異なるパラメータの電気機械トポロジのキーパフォーマンス指標(KPI)を同時に予測する新しい手法を提案する。 トレーニング後、潜在空間を介して、デコーダと多層ニューラルネットワークは、それぞれ新しいデザインをサンプリングし、関連するトポロジを予測するメタモデルとして機能する。
  論文  参考訳（メタデータ） (2022-01-21T19:49:54Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• Deep Learning-based Prediction of Key Performance Indicators for Electrical Machine [0.0]
  データ支援,深層学習に基づくメタモデルを用いて,電気機械の設計を迅速かつ高精度に予測する。 その結果、高い予測精度を示し、最適化時間を最小化するためのディープラーニングに基づくメタモデルの妥当性を示す。
  論文  参考訳（メタデータ） (2020-12-16T18:03:58Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。