論文の概要: Automatic Truss Design with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2306.15182v1
• Date: Tue, 27 Jun 2023 03:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 14:49:10.440307
• Title: Automatic Truss Design with Reinforcement Learning
• Title（参考訳）: 強化学習によるトラス自動設計
• Authors: Weihua Du, Jinglun Zhao, Chao Yu, Xingcheng Yao, Zimeng Song, Siyang Wu, Ruifeng Luo, Zhiyuan Liu, Xianzhong Zhao, Yi Wu
• Abstract要約: AutoTrussは軽量かつ有効なトラスレイアウトの両方を効率的に生成するフレームワークである。 本研究では,2次元および3次元の両方で一般的なトラスレイアウト設計事例について実験およびアブレーション研究を行った。
• 参考スコア（独自算出の注目度）: 16.953586378107463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Truss layout design, namely finding a lightweight truss layout satisfying all the physical constraints, is a fundamental problem in the building industry. Generating the optimal layout is a challenging combinatorial optimization problem, which can be extremely expensive to solve by exhaustive search. Directly applying end-to-end reinforcement learning (RL) methods to truss layout design is infeasible either, since only a tiny portion of the entire layout space is valid under the physical constraints, leading to particularly sparse rewards for RL training. In this paper, we develop AutoTruss, a two-stage framework to efficiently generate both lightweight and valid truss layouts. AutoTruss first adopts Monte Carlo tree search to discover a diverse collection of valid layouts. Then RL is applied to iteratively refine the valid solutions. We conduct experiments and ablation studies in popular truss layout design test cases in both 2D and 3D settings. AutoTruss outperforms the best-reported layouts by 25.1% in the most challenging 3D test cases, resulting in the first effective deep-RL-based approach in the truss layout design literature.
• Abstract（参考訳）: トラスレイアウト設計、すなわち、すべての物理的制約を満たす軽量トラスレイアウトを見つけることは、建築業界における根本的な問題である。 最適レイアウトの生成は、徹底的な探索によって解決するのに非常に費用がかかる組合せ最適化問題である。 レイアウト空間全体のごく一部だけが物理的な制約の下で有効であるため、レイアウト設計にRL(End-to-end reinforcement learning)メソッドを直接適用することは不可能である。 本稿では,軽量かつ有効なトラスレイアウトを効率的に生成する2段階フレームワークであるAutoTrussを開発する。 AutoTrussはまずMonte Carloツリー検索を採用して,有効なレイアウトのさまざまなコレクションを検出する。 そして、有効解を反復的に洗練するためにRLを適用する。 2dと3dの両方で一般的なトラスレイアウト設計テストケースで実験とアブレーションを行った。 AutoTrussは最も困難な3Dテストケースにおいて、最も報告されたレイアウトを25.1%上回り、結果としてトラスレイアウト設計の文献において最初の効果的なディープRLベースのアプローチとなった。

関連論文リスト

• Multi-Agent Environments for Vehicle Routing Problems [1.0179489519625304]
  本稿では,従来の車両ルーティング問題をシミュレートするマルチエージェント環境からなるライブラリを提案する。 PyTorch上に構築されたこのライブラリは、新しいルーティング問題のカスタマイズと導入を容易にする、柔軟なモジュラーアーキテクチャ設計を提供する。
  論文  参考訳（メタデータ） (2024-11-21T18:46:23Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Efficient Quality Diversity Optimization of 3D Buildings through 2D Pre-optimization [101.18253437732933]
  品質多様性アルゴリズムは、エンジニアの直感を伝える様々なソリューションセットを作成するために使用することができる。 しかし、品質の多様性は、非常に高価な問題では効率的ではない。 品質の多様性のあるトレーニングデータを生成することで、より優れた機械学習モデルを作成できることを示します。
  論文  参考訳（メタデータ） (2023-03-28T11:20:59Z)
• Design Process is a Reinforcement Learning Problem [0.0]
  設計プロセスは強化学習の問題であり、RLアルゴリズムの適切な応用になり得ると我々は主張する。 これはRLメソッドを使用する機会を生み出し、同時に課題を提起する。
  論文  参考訳（メタデータ） (2022-11-06T14:37:22Z)
• Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
  優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。 空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。 本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T03:49:04Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• AIRCHITECT: Learning Custom Architecture Design and Mapping Space [2.498907460918493]
  我々は機械学習モデルをトレーニングし、カスタムアーキテクチャの設計とマッピング空間の最適パラメータを予測する。 最適設計およびマッピングパラメータの予測を「一般化」するために,設計空間を捕捉し,モデルを訓練することは可能であることを示す。 私たちはAIRCHITECTと呼ばれるカスタムネットワークアーキテクチャをトレーニングし、94.3%のテスト精度でアーキテクチャ設計空間を学習することができる。
  論文  参考訳（メタデータ） (2021-08-16T05:05:52Z)
• Generalization Guarantees for Neural Architecture Search with Train-Validation Split [48.265305046655996]
  本稿では,列車検証分割の統計的側面について検討する。 リスクや高度勾配などの検証損失の洗練された特性は、真のテスト損失の指標であることを示す。 また、NAS、マルチカーネル学習、低ランク行列学習の厳密な接続も強調する。
  論文  参考訳（メタデータ） (2021-04-29T06:11:00Z)
• A Design Space Study for LISTA and Beyond [79.76740811464597]
  近年では、反復アルゴリズムの展開による問題固有のディープネットワーク構築に大きな成功を収めている。 本稿では,深層ネットワークにおける設計アプローチとしてのアンローリングの役割について再考する。 スパースリカバリのためのlistaを代表例として,未ロールモデルに対する設計空間調査を初めて実施した。
  論文  参考訳（メタデータ） (2021-04-08T23:01:52Z)

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。