論文の概要: A reinforcement learning strategy to automate and accelerate h/p-multigrid solvers

• arxiv url: http://arxiv.org/abs/2407.15872v1
• Date: Thu, 18 Jul 2024 21:26:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 21:44:53.296653
• Title: A reinforcement learning strategy to automate and accelerate h/p-multigrid solvers
• Title（参考訳）: h/p-multigridソルバの自動化と高速化のための強化学習戦略
• Authors: David Huergo, Laura Alonso, Saumitra Joshi, Adrian Juanicoteca, Gonzalo Rubio, Esteban Ferrer,
• Abstract要約: マルチグリッド法は非常に効率的であるが,各レベルのスムーズなスイープ数など,数値パラメータを微調整する必要がある。 本稿では、近似ポリシー最適化アルゴリズムを用いて、マルチグリッドパラメータを自動的に調整する。 以上の結果から,提案手法は定常状態シミュレーションの堅牢性を著しく向上させる。
• 参考スコア（独自算出の注目度）: 0.37109226820205005
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We explore a reinforcement learning strategy to automate and accelerate h/p-multigrid methods in high-order solvers. Multigrid methods are very efficient but require fine-tuning of numerical parameters, such as the number of smoothing sweeps per level and the correction fraction (i.e., proportion of the corrected solution that is transferred from a coarser grid to a finer grid). The objective of this paper is to use a proximal policy optimization algorithm to automatically tune the multigrid parameters and, by doing so, improve stability and efficiency of the h/p-multigrid strategy. Our findings reveal that the proposed reinforcement learning h/p-multigrid approach significantly accelerates and improves the robustness of steady-state simulations for one dimensional advection-diffusion and nonlinear Burgers' equations, when discretized using high-order h/p methods, on uniform and nonuniform grids.
• Abstract（参考訳）: 高次解法におけるh/p-multigrid法の自動化と高速化を目的とした強化学習戦略を検討する。 マルチグリッド法は非常に効率的であるが、レベルごとのスムーズなスイープ数や修正率(すなわち、粗いグリッドからより細かいグリッドに転送される修正された解の割合)などの数値パラメータを微調整する必要がある。 本研究の目的は,h/p-multigrid 戦略の安定性と効率性を向上させるために,近似ポリシ最適化アルゴリズムを用いてマルチグリッドパラメータを自動的に調整することである。 その結果,一次元の対流拡散と非線形バーガース方程式に対して,高次h/p法を用いて一様格子と非一様格子上の離散化を行う場合,提案手法は定常シミュレーションの頑健さを著しく向上させることがわかった。

関連論文リスト

• Automating the Design of Multigrid Methods with Evolutionary Program Synthesis [0.0]
  多くの場合、効率的あるいは少なくとも動作するマルチグリッドソルバの設計はオープンな問題である。 この論文は、文法誘導型遺伝的プログラミングが前例のない構造の多重化方法を発見することを実証している。 我々はPythonフレームワークであるEvoStencilsの形で実装を行い、オープンソースソフトウェアとして自由に利用することができる。
  論文  参考訳（メタデータ） (2023-12-22T17:55:48Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Dynamic Voxel Grid Optimization for High-Fidelity RGB-D Supervised Surface Reconstruction [130.84162691963536]
  高忠実度3次元表面再構成のための新しい動的グリッド最適化手法を提案する。 グリッドを動的に修正し、より複雑な領域により微細なボクセルを割り当てることで、プロセスを最適化する。 提案手法は, 合成データと実世界のデータの両方を詳細に記述した高品質な3D再構成を実現する。
  論文  参考訳（メタデータ） (2023-04-12T22:39:57Z)
• Learning Relaxation for Multigrid [1.14219428942199]
  ニューラルネットワークを用いて、ランダムな係数を持つ拡散作用素のアンサンブルの緩和パラメータを学習する。 比較的小さなグリッド上での学習緩和パラメータを2グリッド法とGerlfandの公式を損失関数として容易に実装できることを示す。
  論文  参考訳（メタデータ） (2022-07-25T12:43:50Z)
• Efficient single-grid and multi-grid solvers for real-space orbital-free density functional theory [5.623232537411766]
  この研究は、実空間軌道自由密度汎関数理論の計算効率を改善するために、新しい単格子解法を開発した。 数値的な例は、提案した単格子解法が2桁の計算効率を向上できることを示している。
  論文  参考訳（メタデータ） (2022-05-03T13:19:18Z)
• AdaGrid: Adaptive Grid Search for Link Prediction Training Objective [58.79804082133998]
  トレーニングの目的は、モデルの性能と一般化能力に決定的に影響を及ぼす。 本稿では,訓練中にエッジメッセージの比率を動的に調整する適応グリッド探索(AdaGrid)を提案する。 AdaGridは、完全検索の9倍の時間効率を保ちながら、モデルの性能を1.9%まで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） (2022-03-30T09:24:17Z)
• High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
  共分散行列の明示的な構成を避ける新しい推論手法を提案する。 本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。 いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
  論文  参考訳（メタデータ） (2022-02-25T16:35:26Z)
• Enhancing Column Generation by a Machine-Learning-Based Pricing Heuristic for Graph Coloring [5.278929511653199]
  カラム生成(CG)は,大規模最適化問題の解決に有効な手法である。 本稿では,高品質な列を効率的に生成できる機械学習価格ヒューリスティックを提案する。
  論文  参考訳（メタデータ） (2021-12-08T03:58:25Z)
• Learning optimal multigrid smoothers via neural networks [1.9336815376402723]
  畳み込みニューラルネットワーク(CNN)による演算子ステンシルから最適化されたスムーナを学習するための効率的なフレームワークを提案する。 CNNは、多重グリッド収束理論から導かれる教師付き損失関数に基づいて、与えられた種類のPDEから小さな問題を訓練する。 異方性回転ラプラシアン問題に対する数値解は, 従来の手作り緩和法と比較して収束率と解時間の向上を示した。
  論文  参考訳（メタデータ） (2021-02-24T05:02:54Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

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。