論文の概要: High-dimensional reliability-based design optimization using stochastic emulators

• arxiv url: http://arxiv.org/abs/2604.05759v1
• Date: Tue, 07 Apr 2026 12:01:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.800949
• Title: High-dimensional reliability-based design optimization using stochastic emulators
• Title（参考訳）: 確率エミュレータを用いた高次元信頼性設計最適化
• Authors: M. Moustapha, B. Sudret,
• Abstract要約: 本稿では,シミュレータ視点に基づく新しいRBDOフレームワークを提案する。 この定式化の下で、所定の設計に条件付けされたシステム応答は、その出力分布を直接モデル化する。 提案手法は,特に高次元設定において,かなりの計算ゲインが得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliability-based design optimization (RBDO) is traditionally formulated as a nested optimization and reliability problem. Although surrogate models are generally employed to improve efficiency, the approach remains computationally prohibitive in high-dimensional settings. This paper proposes a novel RBDO framework based on a stochastic simulator viewpoint, in which the deterministic limit-state function and the uncertainty in the model inputs are combined into a unified stochastic representation. Under this formulation, the system response conditioned on a given design is modeled directly through its output distribution, rather than through an explicit limit-state function. Stochastic emulators are constructed in the design space to approximate the conditional response distribution, enabling the semi-analytical evaluation of failure probabilities or associated quantiles without resorting to Monte Carlo simulation. Two classes of stochastic emulators are investigated, namely generalized lambda models and stochastic polynomial chaos expansions. Both approaches provide a deterministic mapping between design variables and reliability constraints, which breaks the classical double-loop structure of RBDO and allows the use of standard deterministic optimization algorithms. The performance of the proposed approach is evaluated on a set of benchmark problems with dimensionality ranging from low to very high, including a case with stochastic excitation. The results are compared against a Kriging-based approach formulated in the full input space. The proposed method yields substantial computational gains, particularly in high-dimensional settings. While its efficiency is comparable to Kriging for low-dimensional problems, it significantly outperforms Kriging as the dimensionality increases.
• Abstract（参考訳）: 信頼性に基づく設計最適化(RBDO)は、伝統的にネスト最適化と信頼性の問題として定式化されている。 シュロゲートモデルは一般に効率を改善するために使用されるが、高次元設定では計算的に禁止されている。 本稿では,決定論的極限状態関数とモデル入力の不確かさを統合確率表現に組み込む,確率的シミュレータ視点に基づく新しいRBDOフレームワークを提案する。 この定式化の下では、与えられた設計に条件付けされたシステム応答は、明示的な極限状態関数ではなく、出力分布を通じて直接モデル化される。 確率的エミュレータは条件応答分布を近似するために設計空間内に構築され、モンテカルロシミュレーションに頼らずに故障確率や関連する量子化の半解析的評価を可能にする。 確率的エミュレータの2つのクラス、すなわち一般化されたラムダモデルと確率多項式カオス展開について検討する。 両アプローチは設計変数と信頼性制約の間の決定論的マッピングを提供し、RBDOの古典的な二重ループ構造を破り、標準的な決定論的最適化アルゴリズムの使用を可能にする。 提案手法の性能は,確率的励振を含む低次元から超高次元のベンチマーク問題を用いて評価する。 結果は、全入力空間で定式化されたKrigingベースのアプローチと比較される。 提案手法は,特に高次元設定において,かなりの計算ゲインが得られる。 その効率は低次元問題に対するクリギングに匹敵するが、次元が増加するにつれてクリギングよりも著しく優れる。

関連論文リスト

• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• A surrogate model for topology optimisation of elastic structures via parametric autoencoders [0.0]
  状態(および随伴)問題のパラメトリック解を学ぶ代わりに、提案手法は最適化パイプライン全体のサロゲートバージョンを考案する。 本手法は, 均質化法により最適化された高忠実度トポロジの代理モデルとして, 与えられた問題構成に対する準最適トポロジを予測する。 異なるアーキテクチャを提案し、得られたモデルの近似と一般化能力を数値的に評価する。
  論文  参考訳（メタデータ） (2025-07-30T10:07:42Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes [0.0]
  トポロジ最適化(TO)は、その物質空間分布を予め定義された領域で設計し、制約の集合に従うことによって、構造の性能を最適化する原理的な数学的アプローチを提供する。 我々は,ガウス過程(GP)の枠組みに基づく新しいTO手法を開発し,その平均関数はディープニューラルネットワークを介してパラメータ化される。 本手法を商用ソフトウェアに実装した従来のTO手法に対して検証するため,ストークスフローにおける消散電力の最小化を含む4つの問題に対して評価を行った。
  論文  参考訳（メタデータ） (2024-08-07T01:01:35Z)
• Pseudo-Bayesian Optimization [7.556071491014536]
  ブラックボックス最適化の収束を保証するために最小限の要件を課す公理的枠組みについて検討する。 我々は、単純な局所回帰と、不確実性を定量化するために適切な「ランダム化事前」構造を用いることが、収束を保証するだけでなく、常に最先端のベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-15T07:55:28Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)

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。