論文の概要: Lens-descriptor guided evolutionary algorithm for optimization of complex optical systems with glass choice

• arxiv url: http://arxiv.org/abs/2601.22075v1
• Date: Thu, 29 Jan 2026 18:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.071722
• Title: Lens-descriptor guided evolutionary algorithm for optimization of complex optical systems with glass choice
• Title（参考訳）: ガラス選択による複雑な光学系の最適化のためのレンズディスクリプタ誘導進化アルゴリズム
• Authors: Kirill Antonov, Teus Tukker, Tiago Botari, Thomas H. W. Bäck, Anna V. Kononova, Niki van Stein,
• Abstract要約: マルチモーダルレンズ最適化のための2段階フレームワークであるLens Descriptor-Guided Evolutionary Algorithm (LDG-EA)を提案する。 24変数のトポロジーでは、LDG-EAは636個の記述子にまたがる平均14500個の候補ミニマを生成する。 LDG-EAの最高の設計は、微調整された参照レンズよりも若干悪いが、性能は変わらない。
• 参考スコア（独自算出の注目度）: 0.8737619431048763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing high-performance optical lenses entails exploring a high-dimensional, tightly constrained space of surface curvatures, glass choices, element thicknesses, and spacings. In practice, standard optimizers (e.g., gradient-based local search and evolutionary strategies) often converge to a single local optimum, overlooking many comparably good alternatives that matter for downstream engineering decisions. We propose the Lens Descriptor-Guided Evolutionary Algorithm (LDG-EA), a two-stage framework for multimodal lens optimization. LDG-EA first partitions the design space into behavior descriptors defined by curvature-sign patterns and material indices, then learns a probabilistic model over descriptors to allocate evaluations toward promising regions. Within each descriptor, LDG-EA applies the Hill-Valley Evolutionary Algorithm with covariance-matrix self-adaptation to recover multiple distinct local minima, optionally followed by gradient-based refinement. On a 24-variable (18 continuous and 6 integer), six-element Double-Gauss topology, LDG-EA generates on average around 14500 candidate minima spanning 636 unique descriptors, an order of magnitude more than a CMA-ES baseline, while keeping wall-clock time at one hour scale. Although the best LDG-EA design is slightly worse than a fine-tuned reference lens, it remains in the same performance range. Overall, the proposed LDG-EA produces a diverse set of solutions while maintaining competitive quality within practical computational budgets and wall-clock time.
• Abstract（参考訳）: 高性能光学レンズの設計には、表面曲率、ガラスの選択、素子の厚さ、間隔の高次元的、厳密に制約された空間を探索する必要がある。 実際には、標準オプティマイザ(例えば、勾配に基づく局所探索と進化戦略)は、ダウンストリームエンジニアリングの決定に重要な多くの優れた選択肢を見越して、単一の局所的な最適化に収束することが多い。 マルチモーダルレンズ最適化のための2段階フレームワークであるLens Descriptor-Guided Evolutionary Algorithm (LDG-EA)を提案する。 LDG-EAはまず、設計空間を曲率符号パターンと材料指標で定義された振る舞い記述子に分割し、記述子上で確率モデルを学習し、将来性のある領域に対する評価を割り当てる。 各ディスクリプタ内では、LDG-EAはHill-Valley Evolutionary Algorithmを共分散行列自己適応で適用し、複数の異なる局所ミニマを復元する。 24変数 (18 の連続整数と 6 の整数) で、LDG-EA は 636 個の記述子にまたがる平均 14500 個の候補ミニマを生成する。 LDG-EAの最高の設計は、微調整された参照レンズよりも若干悪いが、性能は変わらない。 提案したLDG-EAは,現実的な計算予算やウォールクロック時間内での競争品質を維持しつつ,多様なソリューションセットを生成する。

関連論文リスト

• Multi-Objective Hierarchical Optimization with Large Language Models [41.41567058185742]
  大規模言語モデル(LLM)は、多目的最適化を推進するための既定の選択肢ではない。 本稿では,このギャップを,構造化階層型探索戦略内での代理モデルと候補サンプルとしてLLMを活用することで解決する。
  論文  参考訳（メタデータ） (2026-01-20T12:10:13Z)
• Genetic Algorithms For Parameter Optimization for Disparity Map Generation of Radiata Pine Branch Images [5.266753902938501]
  UAVアプリケーションのための遺伝的アルゴリズム(GA)に基づくパラメータ最適化フレームワークを提案する。 コントリビューションには,(1)手動チューニングを排除した新しいGAベースのパラメータ最適化フレームワーク,(2)複数の画像品質指標を用いた総合評価手法,(3)資源制約付きUAVシステムのための実用的なソリューションなどが含まれている。 実験の結果,GA最適化手法により平均正方形誤差が42.86%減少し,ピーク信号対雑音比が8.47%,構造類似度が28.52%増加した。
  論文  参考訳（メタデータ） (2025-12-05T04:00:18Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• ESSA: Evolutionary Strategies for Scalable Alignment [8.418036456622158]
  我々は,前向き推論とブラックボックス最適化のみを用いて,Large Language Models (LLM) を整列する勾配のないフレームワークであるESSAを提案する。 ESSAはQwen2.5-Math-7Bのテスト精度をGSM8Kで12.6%、PRM800Kで14.8%改善し、IFEvalでLLaMA3.1-8Bの精度を22.5%向上させた。 大規模な設定では、ESSAは勾配ベースの方法よりもスケーリングが強い。
  論文  参考訳（メタデータ） (2025-07-06T16:23:07Z)
• A Gradient Meta-Learning Joint Optimization for Beamforming and Antenna Position in Pinching-Antenna Systems [63.213207442368294]
  マルチ導波路ピンチアンテナシステムの新しい最適化設計について検討する。 提案したGML-JOアルゴリズムは,既存の最適化手法と比較して,様々な選択や性能に頑健である。
  論文  参考訳（メタデータ） (2025-06-14T17:35:27Z)
• FFT-based Dynamic Subspace Selection for Low-Rank Adaptive Optimization of Large Language Models [49.397861654088636]
  低次元空間へのSVD/QRベースの勾配射影を近似する2段階の手順を提案する。 当社の戦略はランタイムの高速化とメモリ使用量の削減を,さまざまなモデルサイズで最大25%削減できることが示されています。
  論文  参考訳（メタデータ） (2025-05-23T14:37:00Z)
• Make Optimization Once and for All with Fine-grained Guidance [78.14885351827232]
  Learning to Optimize (L2O)は、統合ニューラルネットワークによる最適化効率を向上させる。 L2Oパラダイムは、例えば、リフィット、目に見えない解決策を反復的または直接的に生成するなど、大きな成果を達成する。 そこで本研究では,Diff-L2Oと呼ばれる学習最適化のための一般的なフレームワークについて検討した。
  論文  参考訳（メタデータ） (2025-03-14T14:48:12Z)
• The Minimax Complexity of Distributed Optimization [0.0]
  分散最適化に適用可能な古典的なオラクルフレームワークの拡張である「グラフオラクルモデル」を紹介します。 私は「間欠的コミュニケーション設定」の具体例に焦点をあてる コンベックス設定におけるSGD(Local Descent)アルゴリズムの理論的特性を解析する。
  論文  参考訳（メタデータ） (2021-09-01T15:18:33Z)
• GL-GAN: Adaptive Global and Local Bilevel Optimization model of Image Generation [6.931933354572298]
  適応的グローバル・ローカル・バイレベル最適化モデル(GL-GAN)を導入する。 このモデルは相補的で促進的な方法で高解像度画像を生成する。 現在のGAN手法と比較して、我々のモデルはCelebA, CelebA-HQ, LSUNデータセットで顕著な性能を示している。
  論文  参考訳（メタデータ） (2020-08-06T03:00:09Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)

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。