論文の概要: Learning for CasADi: Data-driven Models in Numerical Optimization

• arxiv url: http://arxiv.org/abs/2312.05873v1
• Date: Sun, 10 Dec 2023 13:03:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 18:14:09.909443
• Title: Learning for CasADi: Data-driven Models in Numerical Optimization
• Title（参考訳）: CasADiの学習: 数値最適化におけるデータ駆動モデル
• Authors: Tim Salzmann, Jon Arrizabalaga, Joel Andersson, Marco Pavone and Markus Ryll
• Abstract要約: 本稿では,CasADi(L4CasADi)フレームワークを提案する。 L4CasADiは、PyTorchで学習したモデルをCasADiとシームレスに統合し、効率的でハードウェアが加速する数値最適化を可能にする。
• 参考スコア（独自算出の注目度）: 24.998002849984537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While real-world problems are often challenging to analyze analytically, deep learning excels in modeling complex processes from data. Existing optimization frameworks like CasADi facilitate seamless usage of solvers but face challenges when integrating learned process models into numerical optimizations. To address this gap, we present the Learning for CasADi (L4CasADi) framework, enabling the seamless integration of PyTorch-learned models with CasADi for efficient and potentially hardware-accelerated numerical optimization. The applicability of L4CasADi is demonstrated with two tutorial examples: First, we optimize a fish's trajectory in a turbulent river for energy efficiency where the turbulent flow is represented by a PyTorch model. Second, we demonstrate how an implicit Neural Radiance Field environment representation can be easily leveraged for optimal control with L4CasADi. L4CasADi, along with examples and documentation, is available under MIT license at https://github.com/Tim-Salzmann/l4casadi
• Abstract（参考訳）: 実世界の問題は分析的に解析することが難しいことが多いが、深層学習は複雑なプロセスをデータからモデル化する上で優れている。 CasADiのような既存の最適化フレームワークは、ソルバのシームレスな使用を容易にするが、学習プロセスモデルを数値最適化に統合する際の課題に直面している。 このギャップに対処するため、我々はLearning for CasADi (L4CasADi) フレームワークを提案し、PyTorchで学習したモデルをCasADiとシームレスに統合し、効率的かつハードウェアアクセラレーションのある数値最適化を可能にする。 l4casadiの適用性は2つのチュートリアル例で示されている: まず, 乱流がピトルチモデルで表されるエネルギー効率のために, 乱流河川における魚の軌跡を最適化する。 第2に,L4CasADi を用いた最適制御において,暗黙のニューラルラジアンスフィールド環境表現を容易に活用できることを示す。 L4CasADiはサンプルとドキュメントとともに、MITライセンス下でhttps://github.com/Tim-Salzmann/l4casadiで利用可能である。

関連論文リスト

• Constructing Gaussian Processes via Samplets [0.0]
  最適収束率を持つモデルを特定するために,最近の収束結果について検討する。 本稿では,ガウス過程を効率的に構築・訓練するためのサンプルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-11T18:01:03Z)
• Adaptive Data Optimization: Dynamic Sample Selection with Scaling Laws [59.03420759554073]
  本稿では,オンライン手法でデータ分散を最適化するアルゴリズムであるAdaptive Data Optimization (ADO)を導入する。 ADOは外部の知識やプロキシモデル、モデル更新の変更を必要としない。 ADOは、ドメインごとのスケーリング法則を使用して、トレーニング中の各ドメインの学習ポテンシャルを推定し、データ混合を調整する。
  論文  参考訳（メタデータ） (2024-10-15T17:47:44Z)
• OptiBench Meets ReSocratic: Measure and Improve LLMs for Optimization Modeling [62.19438812624467]
  大規模言語モデル (LLM) は数学的推論における問題解決能力を示した。 本稿では,人間可読入力と出力を用いたエンドツーエンド最適化問題のベンチマークであるOptiBenchを提案する。
  論文  参考訳（メタデータ） (2024-07-13T13:27:57Z)
• Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
  大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。 本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。 特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-14T07:16:18Z)
• Bayesian Optimization of Catalysts With In-context Learning [0.0]
  大規模言語モデル(LLM)は、ゼロまたは少数の例で正確な分類を行うことができる。 凍結LLMを用いた文脈内学習において,不確実性を伴う回帰を可能にするプロンプトシステムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T17:00:35Z)
• uGLAD: Sparse graph recovery by optimizing deep unrolled networks [11.48281545083889]
  深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。 我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。 我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。
  論文  参考訳（メタデータ） (2022-05-23T20:20:27Z)
• Symbolic Learning to Optimize: Towards Interpretability and Scalability [113.23813868412954]
  近年のL2O(Learning to Optimize)研究は,複雑なタスクに対する最適化手順の自動化と高速化に期待できる道のりを示唆している。 既存のL2Oモデルは、ニューラルネットワークによる最適化ルールをパラメータ化し、メタトレーニングを通じてそれらの数値ルールを学ぶ。 本稿では,L2Oの総合的な記号表現と解析の枠組みを確立する。 そこで本稿では,大規模問題にメタトレーニングを施す軽量なL2Oモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-13T06:04:25Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• SODEN: A Scalable Continuous-Time Survival Model through Ordinary Differential Equation Networks [14.564168076456822]
  本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。 提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
  論文  参考訳（メタデータ） (2020-08-19T19:11:25Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。