論文の概要: Surrogate-based optimization of system architectures subject to hidden constraints

• arxiv url: http://arxiv.org/abs/2504.08721v1
• Date: Fri, 11 Apr 2025 17:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:19:39.063268
• Title: Surrogate-based optimization of system architectures subject to hidden constraints
• Title（参考訳）: 隠れ制約を受けるシステムアーキテクチャのサロゲートに基づく最適化
• Authors: Jasper Bussemaker, Paul Saves, Nathalie Bartoli, Thierry Lefebvre, Björn Nagel,
• Abstract要約: 本研究では,サロゲート最適化(SBO)アルゴリズムにおける隠れ制約を満たすための戦略について検討する。 トレーニングセットからの障害点の拒絶、実行可能な(非障害)ポイントに基づいた障害点の置き換え、障害領域の予測である。 開発済みのBOアルゴリズムと使用済みのテスト問題は、オープンソースのPythonライブラリであるSBArchOptで利用可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The exploration of novel architectures requires physics-based simulation due to a lack of prior experience to start from, which introduces two specific challenges for optimization algorithms: evaluations become more expensive (in time) and evaluations might fail. The former challenge is addressed by Surrogate-Based Optimization (SBO) algorithms, in particular Bayesian Optimization (BO) using Gaussian Process (GP) models. An overview is provided of how BO can deal with challenges specific to architecture optimization, such as design variable hierarchy and multiple objectives: specific measures include ensemble infills and a hierarchical sampling algorithm. Evaluations might fail due to non-convergence of underlying solvers or infeasible geometry in certain areas of the design space. Such failed evaluations, also known as hidden constraints, pose a particular challenge to SBO/BO, as the surrogate model cannot be trained on empty results. This work investigates various strategies for satisfying hidden constraints in BO algorithms. Three high-level strategies are identified: rejection of failed points from the training set, replacing failed points based on viable (non-failed) points, and predicting the failure region. Through investigations on a set of test problems including a jet engine architecture optimization problem, it is shown that best performance is achieved with a mixed-discrete GP to predict the Probability of Viability (PoV), and by ensuring selected infill points satisfy some minimum PoV threshold. This strategy is demonstrated by solving a jet engine architecture problem that features at 50% failure rate and could not previously be solved by a BO algorithm. The developed BO algorithm and used test problems are available in the open-source Python library SBArchOpt.
• Abstract（参考訳）: 新たなアーキテクチャの探索には、最初から経験不足のため物理学に基づくシミュレーションが必要であり、最適化アルゴリズムには2つの特別な課題が生じる: 評価が高価になる(時間内に)し、評価が失敗する可能性がある。 前者の課題はサロゲートベース最適化(SBO)アルゴリズム、特にガウスプロセス(GP)モデルを用いたベイズ最適化(BO)によって解決される。 BOは、設計変数階層や複数の目的など、アーキテクチャ最適化に特有の課題に対処する方法について概説する。 設計空間の特定の領域において、基礎となる解法や実現不可能な幾何学の非収束のために評価が失敗する可能性がある。 このような評価の失敗は、隠れ制約としても知られ、サロゲートモデルが空の値でトレーニングできないため、SBO/BOに特別な課題をもたらす。 本研究では,BOアルゴリズムの隠れ制約を満たすための様々な戦略について検討する。 トレーニングセットからの障害点の拒絶、実行可能な(障害のない)ポイントに基づいた障害点の置き換え、障害領域の予測である。 ジェットエンジンアーキテクチャ最適化問題を含む一連の試験問題の調査により, 可視性(PoV)を予測するために, 混合離散GPを用いて最高の性能を達成し, 選択した埋込点が最小のPoV閾値を満たすことを保証した。 この戦略は、50%の故障率を特徴とし、BOアルゴリズムでは以前は解決できなかったジェットエンジンアーキテクチャの問題を解くことで実証される。 開発済みのBOアルゴリズムと使用済みのテスト問題は、オープンソースのPythonライブラリであるSBArchOptで利用可能である。

関連論文リスト

• LABCAT: Locally adaptive Bayesian optimization using principal-component-aligned trust regions [0.0]
  信頼領域に基づくBOを拡張した LABCAT アルゴリズムを提案する。 このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-19T13:56:24Z)
• Optimizing NOTEARS Objectives via Topological Swaps [41.18829644248979]
  本稿では,候補アルゴリズムの集合に有効な手法を提案する。 内部レベルでは、対象が与えられた場合、オフ・ザ・アート制約を利用する。 提案手法は,他のアルゴリズムのスコアを大幅に改善する。
  論文  参考訳（メタデータ） (2023-05-26T21:49:37Z)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• COPS: Controlled Pruning Before Training Starts [68.8204255655161]
  最先端のディープニューラルネットワーク(DNN)プルーニング技術は、トレーニング開始前にワンショットで適用され、プルーニングスコアと呼ばれる単一の基準の助けを借りてスパースアーキテクチャを評価する。 この作業では、単一プルーニング基準に集中するのではなく、任意のGASを組み合わせてより強力なプルーニング戦略を構築するためのフレームワークを提供します。
  論文  参考訳（メタデータ） (2021-07-27T08:48:01Z)
• Adapting to Misspecification in Contextual Bandits [82.55565343668246]
  我々は、$varepsilon$-misspecified contextual banditsに対して、新しいオラクル効率アルゴリズム群を導入する。 我々は、未知の不特定値に対して最適な$O(dsqrtT + varepsilonsqrtdT)$ regret boundを達成する最初のアルゴリズムを得る。
  論文  参考訳（メタデータ） (2021-07-12T21:30:41Z)
• Constraint-Handling Techniques for Particle Swarm Optimization Algorithms [0.0]
  人口ベースの手法は、従来の方法よりもはるかに複雑な問題を含む、さまざまな問題に対処することができる。 本研究の目的は,アルゴリズムに汎用的な設定を組み込んだPSOに適したCHTを開発し,比較することである。
  論文  参考訳（メタデータ） (2021-01-25T01:49:10Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• Excursion Search for Constrained Bayesian Optimization under a Limited Budget of Failures [62.41541049302712]
  本稿では,所定の予算の失敗の関数として探索において許容されるリスクの量を制御する制御理論に基づく新しい意思決定者を提案する。 本アルゴリズムは, 種々の最適化実験において, 故障予算をより効率的に利用し, 一般に, 最先端の手法よりも, 後悔度を低くする。
  論文  参考訳（メタデータ） (2020-05-15T09:54:09Z)
• Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
  単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。 いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。 これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
  論文  参考訳（メタデータ） (2020-03-31T16:54:22Z)

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。