Fugu-MT 論文翻訳(概要): Real-Time Machine-Learning-Based Optimization Using Input Convex Long Short-Term Memory Network

論文の概要: Real-Time Machine-Learning-Based Optimization Using Input Convex Long Short-Term Memory Network

arxiv url: http://arxiv.org/abs/2311.07202v6
Date: Tue, 10 Sep 2024 06:19:52 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 23:44:54.832330
Title: Real-Time Machine-Learning-Based Optimization Using Input Convex Long Short-Term Memory Network
Title（参考訳）: 入力凸長短期記憶ネットワークを用いた実時間機械学習に基づく最適化
Authors: Zihao Wang, Donghan Yu, Zhe Wu,
Abstract要約: 本稿では,エネルギー・化学系の入力メモリに基づくニューラルネットワークを用いた新しい最適化手法を提案する。ランタイムの観点から,ICLSTMに基づく最適化の優れた性能を示す。具体的には、シンガポールのLHTホールディングスにおける実世界のエネルギーシステムのリアルタイム最適化問題において、IC-LSTMに基づく最適化は従来のLSTMによる最適化に比べて少なくとも4倍の精度で達成された。
参考スコア（独自算出の注目度）: 18.84965086425835
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural network-based optimization and control methods, often referred to as black-box approaches, are increasingly gaining attention in energy and manufacturing systems, particularly in situations where first-principles models are either unavailable or inaccurate. However, their non-convex nature significantly slows down the optimization and control processes, limiting their application in real-time decision-making processes. To address this challenge, we propose a novel Input Convex Long Short-Term Memory (IC-LSTM) network to enhance the computational efficiency of neural network-based optimization. Through two case studies employing real-time neural network-based optimization for optimizing energy and chemical systems, we demonstrate the superior performance of IC-LSTM-based optimization in terms of runtime. Specifically, in a real-time optimization problem of a real-world solar photovoltaic energy system at LHT Holdings in Singapore, IC-LSTM-based optimization achieved at least 4-fold speedup compared to conventional LSTM-based optimization. These results highlight the potential of IC-LSTM networks to significantly enhance the efficiency of neural network-based optimization and control in practical applications. Source code is available at https://github.com/killingbear999/ICLSTM.
Abstract（参考訳）: ニューラルネットワークに基づく最適化と制御手法(ブラックボックスアプローチと呼ばれることが多い)は、エネルギーや製造システム、特に第一原理モデルが利用できないか不正確な状況において、ますます注目を集めている。しかし、その非凸性は最適化と制御プロセスを著しく遅くし、リアルタイムな意思決定プロセスにおけるアプリケーションを制限する。この課題に対処するために、ニューラルネットワークに基づく最適化の計算効率を高めるために、新しい入力凸長短期記憶(IC-LSTM)ネットワークを提案する。エネルギーと化学システムの最適化にリアルタイムニューラルネットワークを用いた2つのケーススタディを通じて、実行時のIC-LSTMに基づく最適化の優れた性能を実証する。具体的には、シンガポールのLHTホールディングスの現実の太陽光発電システムのリアルタイム最適化問題において、IC-LSTMベースの最適化は従来のLSTMベースの最適化に比べて少なくとも4倍のスピードアップを達成した。これらの結果は、実用的な応用において、ニューラルネットワークに基づく最適化と制御の効率を大幅に向上させるIC-LSTMネットワークの可能性を強調している。ソースコードはhttps://github.com/killingbear999/ICLSTMで入手できる。

関連論文リスト

Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。 WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
論文参考訳（メタデータ） (2024-07-18T02:46:06Z)
DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
Improved Optimization for the Neural-network Quantum States and Tests on the Chromium Dimer [11.985673663540688]
ニューラルネットワーク量子状態(NQS)は、かなり高度な波動関数アンザッツ研究を持っている。この研究は、NQSを用いたVMC最適化の計算要求を減らすために、3つのアルゴリズム拡張を導入する。
論文参考訳（メタデータ） (2024-04-14T15:07:57Z)
LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
論文参考訳（メタデータ） (2024-01-26T05:23:11Z)
Full-Stack Optimization for CAM-Only DNN Inference [2.0837295518447934]
本稿では,3次重み付けニューラルネットワークと連想プロセッサのアルゴリズム最適化の組み合わせについて検討する。演算強度を低減し,APの畳み込みを最適化する新しいコンパイルフローを提案する。本研究では,イメージネット上でのResNet-18推論のエネルギー効率を,クロスバーメモリアクセラレータと比較して7.5倍向上させる。
論文参考訳（メタデータ） (2024-01-23T10:27:38Z)
Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文参考訳（メタデータ） (2023-08-22T03:13:57Z)
Approaching Globally Optimal Energy Efficiency in Interference Networks via Machine Learning [22.926877147296594]
本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
論文参考訳（メタデータ） (2022-11-25T08:36:34Z)
Towards Energy-Efficient, Low-Latency and Accurate Spiking LSTMs [1.7969777786551424]
Spiking Neural Networks(SNN)は、複雑なタスクのための魅力的なテンポラルコンピューティングパラダイムビジョンとして登場した。そこで本研究では,新規な長期記憶ネットワーク(LSTM)の学習フレームワークを提案する。 rev-to-SNN変換フレームワーク、続いてSNNトレーニング。我々は、時間的M、Google Speech Commands(GSC)データセット、異なるLSTMアーキテクチャ上のUCIスマートフォンなど、逐次学習タスクに関するフレームワークを評価した。
論文参考訳（メタデータ） (2022-10-23T04:10:27Z)
Online hyperparameter optimization by real-time recurrent learning [57.01871583756586]
ニューラルネットワーク(rnn)におけるハイパーパラメータ最適化とパラメータ学習の類似性を活用した。 RNNのための学習済みのオンライン学習アルゴリズムのファミリーを適応させ、ハイパーパラメータとネットワークパラメータを同時に調整します。この手順は、通常の方法に比べて、ウォールクロック時間のほんの少しで、体系的に一般化性能が向上する。
論文参考訳（メタデータ） (2021-02-15T19:36:18Z)
Efficient On-Chip Learning for Optical Neural Networks Through Power-Aware Sparse Zeroth-Order Optimization [12.052076188811052]
光ニューラルネットワーク(ONN)は、ニューロモルフィックコンピューティングにおける記録破りの可能性を示した。我々は,パワー効率向上のためのONNの潜在能力を最大限に発揮するための,新しいオンチップ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-12-21T07:00:39Z)
Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。