論文の概要: Joint Surrogate Learning of Objectives, Constraints, and Sensitivities for Efficient Multi-objective Optimization of Neural Dynamical Systems
- arxiv url: http://arxiv.org/abs/2603.20984v1
- Date: Sun, 22 Mar 2026 00:06:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.179796
- Title: Joint Surrogate Learning of Objectives, Constraints, and Sensitivities for Efficient Multi-objective Optimization of Neural Dynamical Systems
- Title（参考訳）: ニューラルネットワークの多目的最適化のための目的物・制約・感度の連関学習
- Authors: Frithjof Gressmann, Ivan Georgiev Raikov, Seung Hyun Kim, Mattia Gazzola, Lawrence Rauchwerger, Ivan Soltesz,
- Abstract要約: 生物物理学のニューラルネットワークシミュレーションは、最も計算に要求される科学応用の1つである。
DMOSOPTは、統一された学習されたサロゲートモデルを活用するスケーラブルな最適化フレームワークである。
計算神経科学の文脈において動機付けられ、実証される一方で、このフレームワークは一般に、制約付き多目的最適化問題に適用できる。
- 参考スコア（独自算出の注目度）: 5.875902463027425
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Biophysical neural system simulations are among the most computationally demanding scientific applications, and their optimization requires navigating high-dimensional parameter spaces under numerous constraints that impose a binary feasible/infeasible partition with no gradient signal to guide the search. Here, we introduce DMOSOPT, a scalable optimization framework that leverages a unified, jointly learned surrogate model to capture the interplay between objectives, constraints, and parameter sensitivities. By learning a smooth approximation of both the objective landscape and the feasibility boundary, the joint surrogate provides a unified gradient that simultaneously steers the search toward improved objective values and greater constraint satisfaction, while its partial derivatives yield per-parameter sensitivity estimates that enable more targeted exploration. We validate the framework from single-cell dynamics to population-level network activity, spanning incremental stages of a neural circuit modeling workflow, and demonstrate efficient, effective optimization of highly constrained problems at supercomputing scale with substantially fewer problem evaluations. While motivated by and demonstrated in the context of computational neuroscience, the framework is general and applicable to constrained multi-objective optimization problems across scientific and engineering domains.
- Abstract（参考訳）: 生物物理学的なニューラルネットワークシミュレーションは、最も計算的に要求される科学的応用の一つであり、その最適化には、探索を導くための勾配信号のない二元的実現不可能な分割を課す多くの制約の下で、高次元パラメータ空間をナビゲートする必要がある。
本稿ではDMOSOPTについて紹介する。DMOSOPTは、統一的、共同学習された代理モデルを利用して、目的、制約、パラメータの感度の相互作用をキャプチャするスケーラブルな最適化フレームワークである。
目的のランドスケープと実現可能性境界の両方の滑らかな近似を学習することにより、ジョイントサロゲートは、目標値の改善とより大きな制約満足度に向けて探索を同時に行う統一的な勾配を提供し、その部分微分は、より標的となる探索を可能にするパラメータごとの感度推定を生成する。
ニューラルネットワークモデリングワークフローの段階的な段階にまたがる単一セルダイナミクスから集団レベルのネットワーク活動までのフレームワークを検証するとともに,超計算スケールでの高度に制約された問題の効率的かつ効率的な最適化を,より少ない問題評価で実証する。
計算神経科学の文脈において動機付けられ、実証される一方で、このフレームワークは、科学と工学の領域にわたる制約付き多目的最適化問題に適用可能である。
関連論文リスト
- NeuroWeaver: An Autonomous Evolutionary Agent for Exploring the Programmatic Space of EEG Analysis Pipelines [11.51370622964103]
我々は、多様なEEGデータセットとタスクをまたいだ一般化を意図した、統合された自律進化エージェントであるNeuroWeaverを提案する。
NeuroWeaverは、最先端のタスク固有のメソッドを一貫して上回り、大規模ファンデーションモデルに匹敵するパフォーマンスを実現する軽量ソリューションを合成する。
論文 参考訳（メタデータ） (2026-02-13T21:26:43Z) - Gradient-based Active Learning with Gaussian Processes for Global Sensitivity Analysis [0.0]
本稿では,入力空間の最も情報性の高い領域をターゲットとした能動的学習手法を提案し,感度解析の精度を向上させる。
本研究では, 偏微分の相関関係と, 応答面への影響をよりよく把握する獲得関数を開発する。
提案手法は、まず標準ベンチマーク関数の最先端手法と比較され、その後、農薬の実際の環境モデルに適用される。
論文 参考訳（メタデータ） (2026-01-16T21:33:57Z) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Constrained Multi-objective Bayesian Optimization through Optimistic Constraints Estimation [10.77641869521259]
本論文では,複数の未知領域上で定義されたレベルセットのアクティブな学習と,実現可能な領域内での多目的最適化のバランスをとる,制約付き多目的ベイズ最適化アルゴリズムCOMBOOを提案する。
理論的解析と経験的証拠の両方を提供し、様々な合成ベンチマークや実世界の応用に対するアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2024-11-06T03:38:00Z) - Computationally Efficient Optimisation of Elbow-Type Draft Tube Using
Neural Network Surrogates [0.0]
本研究の目的は,肘型ドラフトチューブの設計において,単目的および多目的の最適化アルゴリズムを総合的に評価することである。
提案したワークフローは、数値シミュレーションから得られたデータに基づいて訓練されたディープニューラルネットワークサロゲートを利用する。
論文 参考訳（メタデータ） (2024-01-14T14:05:26Z) - The limitation of neural nets for approximation and optimization [0.0]
最適化問題における目的関数の近似と最小化のために,ニューラルネットワークを代理モデルとして用いることに関心がある。
本研究は、一般的な非線形最適化テスト問題の目的関数を近似する最適なアクティベーション関数を決定することから始まる。
論文 参考訳（メタデータ） (2023-11-21T00:21:15Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳（メタデータ） (2023-06-15T08:33:52Z) - Neural Networks with Quantization Constraints [111.42313650830248]
量子化学習における制約付き学習手法を提案する。
結果の問題は強い双対であり、勾配推定は不要であることを示す。
提案手法は画像分類タスクにおける競合性能を示す。
論文 参考訳（メタデータ） (2022-10-27T17:12:48Z) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [48.7576911714538]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳（メタデータ） (2021-12-16T10:14:39Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z)
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。