論文の概要: Enhancing Multi-Objective Optimization through Machine
Learning-Supported Multiphysics Simulation
- arxiv url: http://arxiv.org/abs/2309.13179v1
- Date: Fri, 22 Sep 2023 20:52:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 21:55:16.450015
- Title: Enhancing Multi-Objective Optimization through Machine
Learning-Supported Multiphysics Simulation
- Title(参考訳): 機械学習支援マルチフィジカルシミュレーションによる多目的最適化の促進
- Authors: Diego Botache, Jens Decke, Winfried Ripken, Abhinay Dornipati, Franz
G\"otz-Hahn, Mohamed Ayeb, Bernhard Sick
- Abstract要約: 本稿では,多物理シミュレーションを近似・高速化するために,訓練,自己最適化,自己組織化サロゲートモデルの方法論的枠組みを提案する。
2つの実世界のデータセットを生成して公開し、比較的少量のデータでサロゲートモデルをトレーニングできることを示します。
機械学習とディープラーニングの4つのアルゴリズムと2つの最適化アルゴリズムと総合評価戦略を組み合わせた広範囲な実験を行う。
- 参考スコア(独自算出の注目度): 1.7522552085069194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiphysics simulations that involve multiple coupled physical phenomena
quickly become computationally expensive. This imposes challenges for
practitioners aiming to find optimal configurations for these problems
satisfying multiple objectives, as optimization algorithms often require
querying the simulation many times. This paper presents a methodological
framework for training, self-optimizing, and self-organizing surrogate models
to approximate and speed up Multiphysics simulations. We generate two
real-world tabular datasets, which we make publicly available, and show that
surrogate models can be trained on relatively small amounts of data to
approximate the underlying simulations accurately. We conduct extensive
experiments combining four machine learning and deep learning algorithms with
two optimization algorithms and a comprehensive evaluation strategy. Finally,
we evaluate the performance of our combined training and optimization pipeline
by verifying the generated Pareto-optimal results using the ground truth
simulations. We also employ explainable AI techniques to analyse our surrogates
and conduct a preselection strategy to determine the most relevant features in
our real-world examples. This approach lets us understand the underlying
problem and identify critical partial dependencies.
- Abstract(参考訳): 複数の結合した物理現象を含む多物理シミュレーションは、すぐに計算コストが高くなる。
これは、最適化アルゴリズムがしばしばシミュレーションを何度もクエリする必要があるため、複数の目的を満たすこれらの問題に対して最適な設定を求める実践者にとって課題となる。
本稿では,多物理シミュレーションを近似・高速化するために,訓練,自己最適化,自己組織化サロゲートモデルの方法論的枠組みを提案する。
2つの実世界のグラフデータセットを生成して公開し、サロゲートモデルが比較的少量のデータに基づいてトレーニングされ、基礎となるシミュレーションを正確に近似できることを示す。
機械学習とディープラーニングの4つのアルゴリズムと2つの最適化アルゴリズムと総合評価戦略を組み合わせた広範囲な実験を行う。
最後に,本実験で生成したパレート最適結果を検証することで,学習と最適化の複合パイプラインの性能を評価する。
また、説明可能なAI技術を使ってサロゲートを分析し、リアル世界の例で最も重要な特徴を決定するための事前選択戦略を実行しています。
このアプローチにより、根本的な問題を理解し、重要な部分的依存関係を特定できます。
関連論文リスト
- Efficient Inverse Design Optimization through Multi-fidelity
Simulations, Machine Learning, and Search Space Reduction Strategies [0.4105236597768038]
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、代表的低忠実度機械学習モデル間の調和した相乗効果と高忠実度シミュレーションを促進する。
論文 参考訳(メタデータ) (2023-12-06T18:20:46Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳(メタデータ) (2023-05-16T17:31:50Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳(メタデータ) (2023-04-12T14:51:47Z) - Smoothed Online Learning for Prediction in Piecewise Affine Systems [54.98643421343919]
本稿では,最近開発されたスムーズなオンライン学習フレームワークに基づく。
これは、断片的なアフィン系における予測とシミュレーションのための最初のアルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-01-26T15:54:14Z) - Data efficient surrogate modeling for engineering design: Ensemble-free
batch mode deep active learning for regression [0.6021787236982659]
そこで本研究では,学生と教師の共用で,サロゲートモデルを学習するための,シンプルでスケーラブルな学習手法を提案する。
提案手法を用いることで,DBALやモンテカルロサンプリングのような他のベースラインと同レベルのサロゲート精度が得られる。
論文 参考訳(メタデータ) (2022-11-16T02:31:57Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。
既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。
モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
論文 参考訳(メタデータ) (2020-11-19T22:35:31Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z)
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。