論文の概要: e-SimFT: Alignment of Generative Models with Simulation Feedback for Pareto-Front Design Exploration
- arxiv url: http://arxiv.org/abs/2502.02628v1
- Date: Tue, 04 Feb 2025 16:17:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-06 14:28:35.972450
- Title: e-SimFT: Alignment of Generative Models with Simulation Feedback for Pareto-Front Design Exploration
- Title(参考訳): e-SimFT:Pareto-Front設計探索のためのシミュレーションフィードバックを用いた生成モデルのアライメント
- Authors: Hyunmin Cheong, Mohammadmehdi Ataei, Amir Hosein Khasahmadi, Pradeep Kumar Jayaraman,
- Abstract要約: シミュレーション微調整生成モデルを用いた設計探索のための新しいフレームワークを提案する。
まず、Large Language Models (LLMs) 向けに開発された好みアライメント手法を採用し、エンジニアリング設計のための生成モデルを微調整する最初の応用例を示す。
- 参考スコア(独自算出の注目度): 6.085974259020175
- License:
- Abstract: Deep generative models have recently shown success in solving complex engineering design problems where models predict solutions that address the design requirements specified as input. However, there remains a challenge in aligning such models for effective design exploration. For many design problems, finding a solution that meets all the requirements is infeasible. In such a case, engineers prefer to obtain a set of Pareto optimal solutions with respect to those requirements, but uniform sampling of generative models may not yield a useful Pareto front. To address this gap, we introduce a new framework for Pareto-front design exploration with simulation fine-tuned generative models. First, the framework adopts preference alignment methods developed for Large Language Models (LLMs) and showcases the first application in fine-tuning a generative model for engineering design. The important distinction here is that we use a simulator instead of humans to provide accurate and scalable feedback. Next, we propose epsilon-sampling, inspired by the epsilon-constraint method used for Pareto-front generation with classical optimization algorithms, to construct a high-quality Pareto front with the fine-tuned models. Our framework, named e-SimFT, is shown to produce better-quality Pareto fronts than existing multi-objective alignment methods.
- Abstract(参考訳): 深層生成モデルは、入力として指定された設計要件に対処するソリューションを予測する複雑なエンジニアリング設計問題の解決に成功している。
しかし、そのようなモデルを効果的な設計探索のために整列させることには依然として課題がある。
多くの設計上の問題に対して、すべての要件を満たすソリューションを見つけることは不可能である。
そのような場合、技術者はこれらの要件に関してパレート最適解の集合を得るのを好むが、生成モデルの一様サンプリングはパレートフロントに有用でないかもしれない。
このギャップに対処するために,シミュレーション微調整生成モデルを用いたPareto-frontデザイン探索のための新しいフレームワークを提案する。
まず、Large Language Models (LLMs) 向けに開発された好みアライメント手法を採用し、エンジニアリング設計のための生成モデルを微調整する最初の応用例を示す。
ここでの重要な違いは、人間の代わりにシミュレータを使って、正確でスケーラブルなフィードバックを提供しています。
次に,古典最適化アルゴリズムを用いてパレートフロント生成に用いるエプシロン制約法に着想を得たエプシロンサンプリングを提案し,細調整モデルを用いて高品質なパレートフロントを構築する。
我々のフレームワークは e-SimFT と呼ばれ、既存の多目的アライメント手法よりも高品質な Pareto フロントを生成することが示されている。
関連論文リスト
- Deep Generative Model for Mechanical System Configuration Design [3.2194137462952126]
本稿では,設計問題に対するコンポーネントとインターフェースの最適な組み合わせを予測するための,深い生成モデルを提案する。
次に、GearFormerというデータセットを使ってTransformerをトレーニングします。
GearFormerは、特定の設計要件を満たすという点で、独自の検索方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-09-09T19:15:45Z) - Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳(メタデータ) (2024-05-30T03:57:29Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳(メタデータ) (2024-03-20T00:41:12Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳(メタデータ) (2023-05-29T09:16:07Z) - XVoxel-Based Parametric Design Optimization of Feature Models [11.32057097341898]
本稿では,XVoxelsと呼ばれる統一モデル表現スキームに基づくパラメトリック最適化手法を提案する。
提案手法は, その有効性を示すために, 複雑さの増大に関する一連のケーススタディにより検証された。
論文 参考訳(メタデータ) (2023-03-17T13:07:12Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳(メタデータ) (2022-10-19T19:04:45Z) - Designing MacPherson Suspension Architectures using Bayesian
Optimization [21.295015276123962]
コンプライアンステストは、まず、規律モデルを用いたコンピュータシミュレーションによって行われる。
このシミュレーションを通した設計は、物理的プロトタイピングとして考慮される。
提案手法は汎用的で,スケーラブルで,効率的であることを示す。
論文 参考訳(メタデータ) (2022-06-17T21:50:25Z) - Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。
実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。
Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
論文 参考訳(メタデータ) (2022-05-30T16:55:59Z) - Early-Phase Performance-Driven Design using Generative Models [0.0]
本研究では,3次元モデリング環境において直接対話を行うことのできる,性能駆動型幾何生成手法を提案する。
この方法は機械学習技術を使って生成モデルをオフラインでトレーニングする。
生成モデルの潜在空間をナビゲートすることにより、所望の特性を持つ測地を迅速に生成することができる。
論文 参考訳(メタデータ) (2021-07-19T01:25:11Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z)
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。