論文の概要: Efficient Inverse Design Optimization through Multi-fidelity
Simulations, Machine Learning, and Search Space Reduction Strategies
- arxiv url: http://arxiv.org/abs/2312.03654v1
- Date: Wed, 6 Dec 2023 18:20:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 13:58:49.324478
- Title: Efficient Inverse Design Optimization through Multi-fidelity
Simulations, Machine Learning, and Search Space Reduction Strategies
- Title(参考訳): 多元性シミュレーション、機械学習、探索空間削減戦略による効率的な逆設計最適化
- Authors: Luka Grbcic, Juliane M\"uller and Wibe Albert de Jong
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.4105236597768038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a methodology designed to augment the inverse design
optimization process in scenarios constrained by limited compute, through the
strategic synergy of multi-fidelity evaluations, machine learning models, and
optimization algorithms. The proposed methodology is analyzed on two distinct
engineering inverse design problems: airfoil inverse design and the scalar
field reconstruction problem. It leverages a machine learning model trained
with low-fidelity simulation data, in each optimization cycle, thereby
proficiently predicting a target variable and discerning whether a
high-fidelity simulation is necessitated, which notably conserves computational
resources. Additionally, the machine learning model is strategically deployed
prior to optimization to reduce the search space, thereby further accelerating
convergence toward the optimal solution. The methodology has been employed to
enhance two optimization algorithms, namely Differential Evolution and Particle
Swarm Optimization. Comparative analyses illustrate performance improvements
across both algorithms. Notably, this method is adeptly adaptable across any
inverse design application, facilitating a harmonious synergy between a
representative low-fidelity machine learning model, and high-fidelity
simulation, and can be seamlessly applied across any variety of
population-based optimization algorithms.
- Abstract(参考訳): 本稿では,マルチ忠実度評価,機械学習モデル,最適化アルゴリズムの戦略的シナジーを通じて,限られた計算量で制約されたシナリオにおいて逆設計最適化プロセスを補強する手法を提案する。
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。
最適化サイクル毎に、低忠実度シミュレーションデータでトレーニングされた機械学習モデルを利用して、ターゲット変数を十分に予測し、高忠実度シミュレーションが必要かどうかを判断する。
さらに、機械学習モデルを最適化に先立って戦略的に展開し、探索空間を減らし、最適解への収束をさらに加速する。
この手法は微分進化と粒子群最適化という2つの最適化アルゴリズムを強化するために用いられてきた。
比較分析は両アルゴリズムのパフォーマンス改善を示す。
特に、この方法は任意の逆設計アプリケーションに対してうまく適応でき、代表的な低忠実度機械学習モデルと高忠実度シミュレーションとの調和性が容易であり、あらゆる種類の人口ベースの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。
関連論文リスト
- Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳(メタデータ) (2023-12-28T23:15:18Z) - 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) - Enhancing Multi-Objective Optimization through Machine
Learning-Supported Multiphysics Simulation [1.7522552085069194]
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。
論文 参考訳(メタデータ) (2023-09-22T20:52:50Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-05T08:32:07Z) - Sample-Efficient and Surrogate-Based Design Optimization of Underwater
Vehicle Hulls [1.023712090082156]
物理シミュレーションはコンピュータ支援設計(CAD)最適化プロセスにおける計算ボトルネックである。
本研究では、最適化と人工知能(AI)の最近の進歩を活用して、これらの潜在的なソリューションの両方に対処する。
我々は、CFDソルバを用いた直接数値シミュレーションにより計算されるドラグフォースを近似するディープニューラルネットワーク(DNN)に基づく代理モデルを開発した。
論文 参考訳(メタデータ) (2023-04-24T19:52:42Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Data-driven evolutionary algorithm for oil reservoir well-placement and
control optimization [3.012067935276772]
一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。
確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
論文 参考訳(メタデータ) (2022-06-07T09:07:49Z) - A novel multiobjective evolutionary algorithm based on decomposition and
multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。
本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文 参考訳(メタデータ) (2021-10-27T02:07:08Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳(メタデータ) (2020-10-15T18:09:48Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳(メタデータ) (2020-07-09T10:19:22Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z)
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。