論文の概要: Automated co-design of high-performance thermodynamic cycles via graph-based hierarchical reinforcement learning
- arxiv url: http://arxiv.org/abs/2604.13133v1
- Date: Tue, 14 Apr 2026 02:22:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.223563
- Title: Automated co-design of high-performance thermodynamic cycles via graph-based hierarchical reinforcement learning
- Title（参考訳）: グラフに基づく階層的強化学習による高性能熱力学サイクルの自動設計
- Authors: Wenqing Li, Xu Feng, Peixue Jiang, Yinhai Zhu,
- Abstract要約: 熱力学サイクルにおける構造パラメータの共設計のためのグラフに基づく階層的強化学習手法を提案する。
深層学習に基づくサーモフィジカルサロゲートは、安定なグラフデコーディングとグローバルパラメータの同時分解を促進する。
ヒートポンプとヒートエンジンのサイクルを事例として, 提案手法は古典的なサイクル構成を再現するだけでなく, 18, 21の新規ヒートポンプとヒートエンジンサイクルを同定する。
- 参考スコア（独自算出の注目度）: 6.678419352669458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thermodynamic cycles are pivotal in determining the efficacy of energy conversion systems. Traditional design methodologies, which rely on expert knowledge or exhaustive enumeration, are inefficient and lack scalability, thereby constraining the discovery of high-performance cycles. In this study, we introduce a graph-based hierarchical reinforcement learning approach for the co-design of structure parameters in thermodynamic cycles. These cycles are encoded as graphs, with components and connections depicted as nodes and edges, adhering to grammatical constraints. A deep learning-based thermophysical surrogate facilitates stable graph decoding and the simultaneous resolution of global parameters. Building on this foundation, we develop a hierarchical reinforcement learning framework wherein a high-level manager explores structural evolution and proposes candidate configurations, whereas a low-level worker optimizes parameters and provides performance rewards to steer the search towards high-performance regions. By integrating graph representation, thermophysical surrogate, and manager-worker learning, this method establishes a fully automated pipeline for encoding, decoding, and co-optimization. Using heat pump and heat engine cycles as case studies, the results demonstrate that the proposed method not only replicates classical cycle configurations but also identifies 18 and 21 novel heat pump and heat engine cycles, respectively. Relative to classical cycles, the novel configurations exhibit performance improvements of 4.6% and 133.3%, respectively, surpassing the traditional designs. This method effectively balances efficiency with broad applicability, providing a practical and scalable intelligent alternative to expert-driven thermodynamic cycle design.
- Abstract（参考訳）: 熱力学サイクルはエネルギー変換システムの有効性を決定する上で重要である。
専門家の知識や徹底的な列挙に依存する伝統的な設計手法は非効率であり、スケーラビリティが欠如しているため、高性能なサイクルの発見が制限される。
本研究では,熱力学サイクルにおける構造パラメータの共設計のためのグラフに基づく階層的強化学習手法を提案する。
これらのサイクルはグラフとしてエンコードされ、要素や接続はノードやエッジとして表現され、文法的な制約に固執する。
深層学習に基づくサーモフィジカルサロゲートは、安定なグラフデコーディングとグローバルパラメータの同時分解を促進する。
この基盤を基盤として,階層的な強化学習フレームワークを構築し,高レベルのマネージャが構造進化を探求し,候補設定を提案する一方で,低レベルのワーカがパラメータを最適化し,高性能領域への探索を行うためのパフォーマンス報酬を提供する。
グラフ表現、サーモフィジカルサロゲート、およびマネージャ-労働者学習を統合することにより、符号化、復号化、協調最適化のための完全自動化パイプラインを確立する。
熱ポンプと熱エンジンのサイクルを事例として, 提案手法は古典的なサイクル構成を再現するだけでなく, それぞれ18と21の新しいヒートポンプと21のヒートエンジンサイクルを同定する。
古典的なサイクルとは対照的に、新しい構成では、それぞれ4.6%と133.3%のパフォーマンス向上を示し、従来のデザインを上回っている。
この方法は効率性と広い適用性とのバランスを効果的に保ち、エキスパート駆動の熱力学サイクル設計に代わる実用的でスケーラブルな代替手段を提供する。
関連論文リスト
- Thermodynamics of Reinforcement Learning Curricula [5.008597638379228]
強化学習におけるカリキュラム学習の形式化には非平衡熱力学を用いる。
特に,タスク多様体上の座標として報酬パラメータを解釈することにより,RLの幾何学的枠組みを提案する。
余剰熱力学的作業を最小化することにより、最適キュリキュラは、このタスク空間の測地線に対応することを示す。
論文 参考訳（メタデータ） (2026-03-12T18:00:03Z) - Prescriptive tool for zero-emissions building fenestration design using hybrid metaheuristic algorithms [0.29022435221103443]
本稿では, 実用化に向けて設計されたフェネストレーションのシミュレーションに基づく最適化手法を提案する。
設計プロセスを完全に自動化するために、ハイブリッドメタヒューリスティックアルゴリズムを使用し、規則と最新のカタログに依存している。
建築家が設計の柔軟性を持つ9つのフェネレーション変数は、住宅の暖房、冷却需要、熱的不快感を軽減するために最適化された。
論文 参考訳（メタデータ） (2025-11-26T08:10:23Z) - Optimal Computation from Fluctuation Responses [0.0]
鍵となる疑問は、熱力学的コストを最小限に抑えながら正しい結果を得るプロトコルをどうやって設計するかである。
本研究では、変動応答関係(FRR)と機械学習を用いて最適なプロトコルを識別する統合フレームワークを開発する。
物理情報処理システムにおける熱力学的に効率的なプロトコルを設計するための原則的戦略を提供する。
論文 参考訳（メタデータ） (2025-10-04T18:49:00Z) - PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。
ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。
最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
論文 参考訳（メタデータ） (2024-12-26T17:02:19Z) - 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) - Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image
Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。
提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。
実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文 参考訳（メタデータ） (2023-08-17T01:34:51Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z) - Identifying optimal cycles in quantum thermal machines with
reinforcement-learning [0.0]
本稿では,非平衡な量子熱エンジンと冷凍機のパワーを最大化する最適熱力学サイクルを発見するために,Reinforcement Learningに基づく一般的なフレームワークを提案する。
本手法を3つのシステムに適用する: 最適な既知のサイクルを見つけるベンチマーク2レベル系熱エンジン、コヒーレンスを生成する超伝導キュービットに基づく実験的に現実的な冷凍機、文献で提案された以前のサイクルより優れた直観的制御シーケンスを求める。
論文 参考訳（メタデータ） (2021-08-30T21:22:46Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳（メタデータ） (2021-06-16T01:25:51Z) - Optimization and benchmarking of the thermal cycling algorithm [0.5879782260984691]
最適化問題のほとんどは、不規則に複雑な構造を持ち、不必要なタスクを見つける。
本稿では,非最適化問題におけるエネルギー障壁を温度差で克服するアルゴリズムをベンチマークし,改良する。
並列サイクリングやアイソエネルゲティックな動きなど,最先端のアルゴリズムと密接に競合することを示す。
論文 参考訳（メタデータ） (2020-12-17T18:07:04Z)
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。