論文の概要: Leveraging Discrete Function Decomposability for Scientific Design

• arxiv url: http://arxiv.org/abs/2511.03032v1
• Date: Tue, 04 Nov 2025 21:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.260503
• Title: Leveraging Discrete Function Decomposability for Scientific Design
• Title（参考訳）: 離散関数分解の科学設計への応用
• Authors: James C. Bowden, Sergey Levine, Jennifer Listgarten,
• Abstract要約: AI駆動の科学とエンジニアリングの時代、私たちはしばしば、ユーザが指定したプロパティに従って、サイリコでオブジェクトを設計したいと考えています。 例えば、ターゲットを結合するタンパク質を設計したり、遅延を最小限にするために回路内のコンポーネントを配置したり、特定の特性を持つ材料を見つけたりしたいかもしれません。 本稿では,新しい分散最適化アルゴリズムであるDADO(De-Aware Distributional Optimization)を提案する。
• 参考スコア（独自算出の注目度）: 48.365465744654365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the era of AI-driven science and engineering, we often want to design discrete objects in silico according to user-specified properties. For example, we may wish to design a protein to bind its target, arrange components within a circuit to minimize latency, or find materials with certain properties. Given a property predictive model, in silico design typically involves training a generative model over the design space (e.g., protein sequence space) to concentrate on designs with the desired properties. Distributional optimization -- which can be formalized as an estimation of distribution algorithm or as reinforcement learning policy optimization -- finds the generative model that maximizes an objective function in expectation. Optimizing a distribution over discrete-valued designs is in general challenging because of the combinatorial nature of the design space. However, many property predictors in scientific applications are decomposable in the sense that they can be factorized over design variables in a way that could in principle enable more effective optimization. For example, amino acids at a catalytic site of a protein may only loosely interact with amino acids of the rest of the protein to achieve maximal catalytic activity. Current distributional optimization algorithms are unable to make use of such decomposability structure. Herein, we propose and demonstrate use of a new distributional optimization algorithm, Decomposition-Aware Distributional Optimization (DADO), that can leverage any decomposability defined by a junction tree on the design variables, to make optimization more efficient. At its core, DADO employs a soft-factorized "search distribution" -- a learned generative model -- for efficient navigation of the search space, invoking graph message-passing to coordinate optimization across linked factors.
• Abstract（参考訳）: AI駆動科学とエンジニアリングの時代、私たちはしばしば、ユーザが指定したプロパティに従って、サイリコで個別のオブジェクトを設計したいと考えています。 例えば、ターゲットを結合するタンパク質を設計したり、遅延を最小限にするために回路内のコンポーネントを配置したり、特定の特性を持つ材料を見つけたりしたいかもしれません。 特性予測モデルが与えられた場合、シリコ設計では、典型的には、所望の特性を持つ設計に集中するために、設計空間(例えば、タンパク質配列空間)上で生成モデルを訓練する。 分布最適化 - 分布アルゴリズムの推定や強化学習ポリシー最適化として形式化できる - は、期待する目的関数を最大化する生成モデルを見つける。 離散値の設計に対する分布の最適化は、設計空間の組合せの性質のため、一般に困難である。 しかし、科学的応用における多くの特性予測子は、設計変数を分解できるという意味で分解可能であり、原理的にはより効率的な最適化を実現することができる。 例えば、タンパク質の触媒部位のアミノ酸は、タンパク質の残りのアミノ酸と緩やかに相互作用して、最大限の触媒活性を達成することができる。 現在の分布最適化アルゴリズムは、そのような分解可能性構造を利用できない。 本稿では,新たな分散最適化アルゴリズムであるDADO(Decomposition-Aware Distributional Optimization)を提案する。 DADOのコアとなるのは、学習した生成モデルであるソフトファクタの"search distribution"を使用して、検索空間の効率的なナビゲーションを行い、グラフメッセージパスを呼び出し、リンクされた要素間の最適化を調整する。

関連論文リスト

• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• A novel design update framework for topology optimization with quantum annealing: Application to truss and continuum structures [0.0]
  本稿では,トポロジ最適化のための新しい設計更新戦略を反復的最適化として提案する。 鍵となる貢献は、トラスと連続体構造の両方に適用可能な、設計更新器の概念を量子アニールに組み込むことである。 その結果,提案フレームワークはベンチマーク結果に類似した最適なトポロジを見出すことができた。
  論文  参考訳（メタデータ） (2024-06-27T02:07:38Z)
• 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)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Optimization for truss design using Bayesian optimization [1.5070398746522742]
  トラスの形状は、積載量を決定する上で支配的な要素である。 与えられたパラメータ空間において、我々のゴールは、負荷を持つ容量を最大化し、誘起ストレスに屈しない船体のパラメータを見つけることである。 設計評価のための計算コストの高い設計解析ツールである有限要素解析に頼っている。
  論文  参考訳（メタデータ） (2023-05-27T10:28:27Z)
• Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
  強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。 計算効率を向上するニューラルネットワーク手法を提案する。 本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
  論文  参考訳（メタデータ） (2021-07-19T20:40:51Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)

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。