論文の概要: Quantum Bayesian Optimization for Quality Improvement in Fuselage Assembly

• arxiv url: http://arxiv.org/abs/2511.22090v1
• Date: Thu, 27 Nov 2025 04:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.387568
• Title: Quantum Bayesian Optimization for Quality Improvement in Fuselage Assembly
• Title（参考訳）: 胴体組立における品質改善のための量子ベイズ最適化
• Authors: Jiayu Liu, Chong Liu, Trevor Rhone, Yinan Wang,
• Abstract要約: 量子アルゴリズムは,従来のモンテカルロ法よりもはるかに少ないサンプルで,推定精度が同じであることを示す。 この利点を生かして、製造工程における試料効率を向上させるために、組み立て時の正確な形状制御のための量子ベイズ最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.413716079485217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent efforts in smart manufacturing have enhanced aerospace fuselage assembly processes, particularly by innovating shape adjustment techniques to minimize dimensional gaps between assembled sections. Existing approaches have shown promising results but face the issue of low sample efficiency from the manufacturing systems. It arises from the limitation of the classical Monte Carlo method when uncovering the mean response from a distribution. In contrast, recent work has shown that quantum algorithms can achieve the same level of estimation accuracy with significantly fewer samples than the classical Monte Carlo method from distributions. Therefore, we can adopt the estimation of the quantum algorithm to obtain the estimation from real physical systems (distributions). Motivated by this advantage, we propose a Quantum Bayesian Optimization (QBO) framework for precise shape control during assembly to improve the sample efficiency in manufacturing practice. Specifically, this approach utilizes a quantum oracle, based on finite element analysis (FEA)-based models or surrogate models, to acquire a more accurate estimation of the environment response with fewer queries for a certain input. QBO employs an Upper Confidence Bound (UCB) as the acquisition function to strategically select input values that are most likely to maximize the objective function. It has been theoretically proven to require much fewer samples while maintaining comparable optimization results. In the case study, force-controlled actuators are applied to one fuselage section to adjust its shape and reduce the gap to the adjoining section. Experimental results demonstrate that QBO achieves significantly lower dimensional error and uncertainty compared to classical methods, particularly using the same queries from the simulation.
• Abstract（参考訳）: スマートマニュファクチャリングにおける最近の取り組みは、特に組立部間の寸法ギャップを最小限に抑える形状調整技術の革新によって、航空宇宙胴体組み立てプロセスを強化している。 既存のアプローチは有望な結果を示しているが、製造システムからのサンプル効率の低下の問題に直面している。 これは、分布から平均応答を明らかにする際に、古典的モンテカルロ法の極限から生じる。 対照的に、最近の研究では、量子アルゴリズムは分布から古典モンテカルロ法よりもはるかに少ないサンプルで、同じレベルの推定精度を達成できることが示されている。 したがって、実際の物理システム(分布)からの推定を得るために、量子アルゴリズムの推定を採用することができる。 この利点を生かして、製造工程における試料効率を向上させるために、組み立て時の正確な形状制御のための量子ベイズ最適化(QBO)フレームワークを提案する。 具体的には、有限要素解析(FEA)に基づくモデルや代理モデルに基づく量子オラクルを用いて、特定の入力に対してより少ないクエリで環境応答をより正確に推定する。 QBOは、目標関数を最大化する可能性が最も高い入力値を戦略的に選択するために、アッパー信頼境界(UCB)を取得関数として採用する。 理論的には、同等の最適化結果を維持しながら、はるかに少ないサンプルを必要とすることが証明されている。 ケーススタディでは, 力制御アクチュエータを1つの胴体部に印加し, 形状を調整し, 隣接部とのギャップを低減する。 実験結果から,QBOは古典的手法に比べて次元誤差や不確かさが著しく低いことがわかった。

関連論文リスト

• Efficiently Training A Flat Neural Network Before It has been Quantizated [7.236012064192816]
  視覚変換器(ViT)のPTQ(Post-training Quantization)は,圧縮モデルの効率性から注目されている。 事前定義された精度の低ビットモデルに適したモデルに依存しないニューラルネットワークを効率的にトレーニングする方法は不明である。 本稿では,エラー源の測定とアンタングによってモデルを積極的に事前条件付けするフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-03T11:21:45Z)
• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• Conservative quantum offline model-based optimization [27.370110767908166]
  オフラインモデルベース最適化(英語: offline model-based optimization, MBO)とは、入力出力データの固定セットのみを使用してブラックボックスの目的関数を最適化するタスクを指す。 最近の研究は、変分量子回路の表現力を利用する量子エクストリームラーニング(QEL)を導入している。 本稿では,QEL を保守的客観モデル (COM) に統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-06-24T15:20:17Z)
• RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [53.571195477043496]
  本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。 RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。 その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
  論文  参考訳（メタデータ） (2025-02-13T06:44:33Z)
• No-Regret Constrained Bayesian Optimization of Noisy and Expensive Hybrid Models using Differentiable Quantile Function Approximations [0.0]
  Constrained Upper Quantile Bound (CUQB) は、制約近似を避けるための概念的に単純で決定論的アプローチである。 CUQBは制約のある場合と制約のない場合の両方において従来のベイズ最適化よりも著しく優れることを示す。
  論文  参考訳（メタデータ） (2023-05-05T19:57:36Z)

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。