論文の概要: Optimization is Not Enough: Why Problem Formulation Deserves Equal Attention
- arxiv url: http://arxiv.org/abs/2602.05466v1
- Date: Thu, 05 Feb 2026 09:15:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.858173
- Title: Optimization is Not Enough: Why Problem Formulation Deserves Equal Attention
- Title（参考訳）: 最適化は十分ではない:なぜ問題定式化が平等な注意を保っているのか
- Authors: Iván Olarte Rodríguez, Gokhan Serhat, Mariusz Bujny, Fabian Duddeck, Thomas Bäck, Elena Raponi,
- Abstract要約: ブラックボックス最適化は、シミュレーションベースの評価がコストがかかり、勾配が利用できないエンジニアリング設計問題において、ますます使われている。
文脈に依存しない戦略が常に最適あるいは非物理的設計につながることを示す。
我々は、物理的な情報と文脈に合った最適化戦略に報いる新しいブラックボックスベンチマークの開発を動機付けている。
- 参考スコア（独自算出の注目度）: 1.6516446394328081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Black-box optimization is increasingly used in engineering design problems where simulation-based evaluations are costly and gradients are unavailable. In this context, the optimization community has largely analyzed algorithm performance in context-free setups, while not enough attention has been devoted to how problem formulation and domain knowledge may affect the optimization outcomes. We address this gap through a case study in the topology optimization of laminated composite structures, formulated as a black-box optimization problem. Specifically, we consider the design of a cantilever beam under a volume constraint, intending to minimize compliance while optimizing both the structural topology and fiber orientations. To assess the impact of problem formulation, we explicitly separate topology and material design variables and compare two strategies: a concurrent approach that optimizes all variables simultaneously without leveraging physical insight, and a sequential approach that optimizes variables of the same nature in stages. Our results show that context-agnostic strategies consistently lead to suboptimal or non-physical designs. In contrast, the sequential strategy yields better-performing and more interpretable solutions. These findings underscore the value of incorporating, when available, domain knowledge into the optimization process and motivate the development of new black-box benchmarks that reward physically informed and context-aware optimization strategies.
- Abstract（参考訳）: ブラックボックス最適化は、シミュレーションベースの評価がコストがかかり、勾配が利用できないエンジニアリング設計問題において、ますます使われている。
この文脈では、最適化コミュニティは、文脈のないセットアップにおけるアルゴリズムのパフォーマンスを概ね分析しているが、問題定式化とドメイン知識が最適化結果に与える影響について十分な注意を払っていない。
ブラックボックス最適化問題として定式化された積層複合構造物のトポロジー最適化のケーススタディを通じて,このギャップに対処する。
具体的には、構造トポロジと繊維配向の両方を最適化しつつ、コンプライアンスを最小化することを目的として、体積制約下でのカンチレバービームの設計を検討する。
問題定式化の影響を評価するため, トポロジと材料設計変数を明確に分離し, 物理的洞察を生かさず同時に全ての変数を最適化する並行アプローチと, 同じ性質の変数を段階的に最適化する逐次アプローチの2つの戦略を比較した。
以上の結果から,文脈に依存しない戦略が常に最適あるいは非物理的設計につながることが示唆された。
対照的に、シーケンシャル戦略はより良い性能と解釈可能な解をもたらす。
これらの知見は、利用可能なドメイン知識を最適化プロセスに組み込むことの価値を強調し、物理的な情報と状況に応じた最適化戦略に報いる新しいブラックボックスベンチマークの開発を動機付けている。
関連論文リスト
- Investigating the Interplay of Parameterization and Optimizer in Gradient-Free Topology Optimization: A Cantilever Beam Case Study [1.7414095108022616]
本研究では、接続制約を受けるカンチレバービームの最小化問題による相互作用について検討する。
我々は、3つのパラメータ化をベンチマークし、それぞれを3つの代表的BBOアルゴリズムと組み合わせた。
その結果,パラメータ化品質が選択よりも最適化性能に強い影響があることが判明した。
論文 参考訳（メタデータ） (2026-01-29T19:09:05Z) - Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
勾配学習における設計の自動化に関する理論的基礎を築いた。
勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
論文 参考訳（メタデータ） (2025-12-06T09:50:41Z) - Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。
推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
論文 参考訳（メタデータ） (2025-12-03T13:16:35Z) - MECHBench: A Set of Black-Box Optimization Benchmarks originated from Structural Mechanics [1.4757194159888734]
本稿では,構造力学に根ざした最適化ベンチマークについて述べる。
ベンチマークは、車両のクラッシュ耐性シナリオから導かれる。
本稿では,各事例の物理的文脈,対応する最適化問題の定式化,スイートの活用方法に関する明確なガイドラインについて述べる。
論文 参考訳（メタデータ） (2025-11-13T21:43:59Z) - 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) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - DADO -- Low-Cost Query Strategies for Deep Active Design Optimization [1.6298921134113031]
我々は,多目的設計最適化問題における計算コストを削減するために,自己最適化のための2つの選択戦略を提案する。
我々は流体力学の領域から大規模データセットの戦略を評価し、モデルの性能を決定するために2つの新しい評価指標を導入する。
論文 参考訳（メタデータ） (2023-07-10T13:01:27Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
形状最適化に適した不確実性に基づく新しい手法を提案する。
効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
論文 参考訳（メタデータ） (2021-09-28T11:01:42Z) - Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。
また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文 参考訳（メタデータ） (2021-04-30T08:50:24Z) - Quantum variational optimization: The role of entanglement and problem
hardness [0.0]
本稿では, 絡み合いの役割, 変動量子回路の構造, 最適化問題の構造について検討する。
数値計算の結果,絡み合うゲートの分布を問題のトポロジに適応させる利点が示唆された。
リスク型コスト関数に条件値を適用することで最適化が向上し、最適解と重複する確率が増大することを示す。
論文 参考訳（メタデータ） (2021-03-26T14:06:54Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。