Fugu-MT 論文翻訳(概要): Advancing Fluid-Based Thermal Management Systems Design: Leveraging Graph Neural Networks for Graph Regression and Efficient Enumeration Reduction

論文の概要: Advancing Fluid-Based Thermal Management Systems Design: Leveraging Graph Neural Networks for Graph Regression and Efficient Enumeration Reduction

arxiv url: http://arxiv.org/abs/2311.14874v1
Date: Fri, 24 Nov 2023 23:51:53 GMT
ステータス: 処理完了
システム内更新日: 2023-11-29 23:09:58.566674
Title: Advancing Fluid-Based Thermal Management Systems Design: Leveraging Graph Neural Networks for Graph Regression and Efficient Enumeration Reduction
Title（参考訳）: 流体型熱管理システム設計の進展:グラフ回帰と効率的な列挙削減のためにグラフニューラルネットワークを活用する
Authors: Saeid Bayat, Nastaran Shahmansouri, Satya RT Peddada, Alex Tessier, Adrian Butscher, James T Allison
Abstract要約: 最適熱管理システム設計の様々な側面を表わすグラフベースのフレームワークを開発した。オープンループ最適制御器を用いて各システムの最適性能を決定する。グラフニューラルネットワーク(GNN)モデルは、ラベル付きデータの30%でトレーニングされ、システムのパフォーマンスを予測する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In this research, we developed a graph-based framework to represent various aspects of optimal thermal management system design, with the aim of rapidly and efficiently identifying optimal design candidates. Initially, the graph-based framework is utilized to generate diverse thermal management system architectures. The dynamics of these system architectures are modeled under various loading conditions, and an open-loop optimal controller is employed to determine each system's optimal performance. These modeled cases constitute the dataset, with the corresponding optimal performance values serving as the labels for the data. In the subsequent step, a Graph Neural Network (GNN) model is trained on 30% of the labeled data to predict the systems' performance, effectively addressing a regression problem. Utilizing this trained model, we estimate the performance values for the remaining 70% of the data, which serves as the test set. In the third step, the predicted performance values are employed to rank the test data, facilitating prioritized evaluation of the design scenarios. Specifically, a small subset of the test data with the highest estimated ranks undergoes evaluation via the open-loop optimal control solver. This targeted approach concentrates on evaluating higher-ranked designs identified by the GNN, replacing the exhaustive search (enumeration-based) of all design cases. The results demonstrate a significant average reduction of over 92% in the number of system dynamic modeling and optimal control analyses required to identify optimal design scenarios.
Abstract（参考訳）: 本研究では,最適設計候補を迅速かつ効率的に同定することを目的として,最適熱管理システム設計の様々な側面を表現するグラフベースフレームワークを開発した。当初は、グラフベースのフレームワークを使用して、多様な熱管理システムアーキテクチャを生成する。これらのシステムアーキテクチャのダイナミクスは様々な負荷条件でモデル化され、各システムの最適性能を決定するためにオープンループ最適制御器が使用される。これらのモデル化されたケースはデータセットを構成し、対応する最適なパフォーマンス値はデータのラベルとして機能する。その後のステップでは、ラベル付きデータの30%でグラフニューラルネットワーク(GNN)モデルをトレーニングし、システムのパフォーマンスを予測し、回帰問題に効果的に対処する。このトレーニングモデルを利用して、テストセットとして機能する残りの70%のデータのパフォーマンス値を推定する。第3のステップでは、予測したパフォーマンス値を使用してテストデータのランク付けを行い、設計シナリオの優先順位付けが容易になる。具体的には、推定ランクが最も高いテストデータの小さなサブセットは、オープンループ最適制御ソルバによる評価を行う。このターゲットとなるアプローチは、GNNが特定した高階デザインの評価に集中し、すべての設計事例の徹底的な検索(列挙に基づく)を置き換える。その結果、最適設計シナリオを特定するために必要なシステムの動的モデリングと最適制御解析の数が92%以上減少した。

関連論文リスト

Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文参考訳（メタデータ） (2024-05-28T11:30:19Z)
Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-01-08T22:33:14Z)
Graph Network Surrogate Model for Subsurface Flow Optimization [2.5782420501870296]
井戸の位置と制御の最適化は、地下流れの操作の設計において重要なステップである。本稿では,適切な配置と制御を最適化するためのグラフネットワーク代理モデル(GNSM)を提案する。 GNSMは、フローモデルを符号化-処理-復号アーキテクチャを含む計算グラフに変換する。
論文参考訳（メタデータ） (2023-12-14T03:13:12Z)
Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。これらのグラフモデルと従来の協調フィルタリングモデルを比較する。ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文参考訳（メタデータ） (2023-08-01T09:31:44Z)
Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。 FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。 FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
論文参考訳（メタデータ） (2022-10-21T21:25:59Z)
Empowering Graph Representation Learning with Test-Time Graph Transformation [44.724631340034925]
本稿では,GTrans というグラフ変換フレームワークを提案する。本稿では,フレームワークの設計に関する理論的分析を行い,グラフデータの適応がモデルに適応するよりも優れている理由について論じる。
論文参考訳（メタデータ） (2022-10-07T13:51:59Z)
Analysis and Design of Quadratic Neural Networks for Regression, Classification, and Lyapunov Control of Dynamical Systems [0.0]
本稿では,2次ニューラルネットワークの解析と設計について述べる。ネットワークにはいくつかの利点があり、最も重要なのはアーキテクチャが設計の副産物であり、アプリオリではないという事実である。いくつかの例では、アプリケーションにおける二次ニューラルネットワークの有効性を示す。
論文参考訳（メタデータ） (2022-07-26T18:10:05Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Learning Intermediate Representations using Graph Neural Networks for NUMA and Prefetchers Optimization [1.3999481573773074]
本稿では,コード中の静的中間表現(IR)が,性能プロファイリングの禁止コストを伴わずにNUMA/prefetcher最適化を導出する方法を示す。静的中間表現に基づくモデルでは,高コストな動的性能プロファイリングに基づく戦略によって得られる性能向上の80%を達成できることを示す。
論文参考訳（メタデータ） (2022-03-01T16:51:30Z)
Improved Fine-tuning by Leveraging Pre-training Data: Theory and Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文参考訳（メタデータ） (2021-11-24T06:18:32Z)

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。