論文の概要: Physics-Informed Tree Search for High-Dimensional Computational Design

• arxiv url: http://arxiv.org/abs/2601.06444v1
• Date: Sat, 10 Jan 2026 06:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.818777
• Title: Physics-Informed Tree Search for High-Dimensional Computational Design
• Title（参考訳）: 物理インフォームドツリー探索による高次元計算設計
• Authors: Suvo Banik, Troy D. Loeffler, Henry Chan, Sukriti Manna, Orcun Yildiz, Tom Peterka, Subramanian Sankaranarayanan,
• Abstract要約: 高次元設計空間は、科学と工学における計算タスクの幅広い物理に基づくモデリングの基盤となっている。 従来のグローバルエンジンとロバストネスは、設計空間の指数的スケーリングのためにこのような設定で苦労する。 連続探索科学設計のための物理インフォームドモンテツリー(MCTS)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）: 1.7499338683160512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-dimensional design spaces underpin a wide range of physics-based modeling and computational design tasks in science and engineering. These problems are commonly formulated as constrained black-box searches over rugged objective landscapes, where function evaluations are expensive, and gradients are unavailable or unreliable. Conventional global search engines and optimizers struggle in such settings due to the exponential scaling of design spaces, the presence of multiple local basins, and the absence of physical guidance in sampling. We present a physics-informed Monte Carlo Tree Search (MCTS) framework that extends policy-driven tree-based reinforcement concepts to continuous, high-dimensional scientific optimization. Our method integrates population-level decision trees with surrogate-guided directional sampling, reward shaping, and hierarchical switching between global exploration and local exploitation. These ingredients allow efficient traversal of non-convex, multimodal landscapes where physically meaningful optima are sparse. We benchmark our approach against standard global optimization baselines on a suite of canonical test functions, demonstrating superior or comparable performance in terms of convergence, robustness, and generalization. Beyond synthetic tests, we demonstrate physics-consistent applicability to (i) crystal structure optimization from clusters to bulk, (ii) fitting of classical interatomic potentials, and (iii) constrained engineering design problems. Across all cases, the method converges with high fidelity and evaluation efficiency while preserving physical constraints. Overall, our work establishes physics-informed tree search as a scalable and interpretable paradigm for computational design and high-dimensional scientific optimization, bridging discrete decision-making frameworks with continuous search in scientific design workflows.
• Abstract（参考訳）: 高次元設計空間は、科学と工学における幅広い物理に基づくモデリングと計算設計タスクの基盤となっている。 これらの問題は一般に、関数評価が高価であり、勾配が利用できない、あるいは信頼性の低い、頑丈な対象の風景に対する制約付きブラックボックスサーチとして定式化されている。 従来のグローバル検索エンジンとオプティマイザは、設計空間の指数的スケーリング、複数の局所的な盆地の存在、サンプリングにおける物理的ガイダンスの欠如など、このような状況で苦労している。 本稿では,政策駆動型木構造強化の概念を連続的,高次元の科学的最適化に拡張する物理インフォームドモンテカルロ木探索(MCTS)フレームワークを提案する。 提案手法は,人口レベルの決定木を,サロゲート誘導型指向性サンプリング,報酬形成,グローバル探索と局所的利用の階層的切り替えと統合する。 これらの成分は、物理的に意味のあるオプティマが希薄な非凸多様景観の効率的な横断を可能にする。 我々は,標準大域的最適化ベースラインに対して,一連の標準的テスト関数をベンチマークし,収束性,堅牢性,一般化の点で,優れた,あるいは同等のパフォーマンスを示す。 合成試験の他に、物理に一貫性のある適用性を実証する。 一 クラスタからバルクへの結晶構造最適化 二 古典的原子間ポテンシャルの適合、及び (三) 工学設計上の問題。 いずれの場合も、物理制約を保ちながら高い忠実度と評価効率に収束する。 本研究は、計算設計と高次元科学的最適化のためのスケーラブルで解釈可能なパラダイムとして、物理インフォームドツリーサーチを確立し、科学設計ワークフローにおける連続的な探索を伴う離散決定フレームワークをブリッジする。

関連論文リスト

• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• Leveraging Discrete Function Decomposability for Scientific Design [48.365465744654365]
  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。
  論文  参考訳（メタデータ） (2025-11-04T21:57:51Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Derivative-free tree optimization for complex systems [19.359472033285865]
  材料、物理学、生物学における膨大な範囲の設計タスクは、パラメータを知らずに多くのパラメータに依存する目的関数の最適性を見つけるものとして定式化することができる。 本稿では,高域微分設計システムの発見を可能にする木探索手法を提案する。
  論文  参考訳（メタデータ） (2024-04-05T12:37:08Z)
• Scalable Bayesian optimization with high-dimensional outputs using randomized prior networks [3.0468934705223774]
  本稿では,確率化された先行するニューラルネットワークの自己ストラップ型アンサンブルに基づくBOとシーケンシャル意思決定のためのディープラーニングフレームワークを提案する。 提案手法は,高次元ベクトル空間や無限次元関数空間の値を取る場合においても,設計変数と関心量の関数的関係を近似することができることを示す。 提案手法をBOの最先端手法に対して検証し,高次元出力の課題に対して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-14T18:55:21Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)

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。