論文の概要: Evolutionary Extreme Learning Machine of ab-initio Energy Landscapes for Crystal Structure Prediction using Manta Ray Optimization with Levy Flight

• arxiv url: http://arxiv.org/abs/2605.17148v1
• Date: Sat, 16 May 2026 20:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.708777
• Title: Evolutionary Extreme Learning Machine of ab-initio Energy Landscapes for Crystal Structure Prediction using Manta Ray Optimization with Levy Flight
• Title（参考訳）: レビー飛行を用いたマンタ光最適化による結晶構造予測のためのアブ初期エネルギー景観の進化的エクストリーム学習装置
• Authors: Adrian Rubio-Solis,
• Abstract要約: エクストリームラーニングマシン(ELM)の訓練において,Levi FlightによるMRFOの改良を提案する。 EELM-MRFO-LFを略して提案した手法は, 未緩和生成エネルギー化合物の予測に有効である。 提案したEELM-MRFO-LFの性能は、同様の条件下での他のよく知られた自然着想アルゴリズムと比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Manta Ray Foraging Optimization algorithm (MRFO) has proven to be a powerful heuristic strategy in the optimal solution of a large number of engineering problems. In this paper, an improvement of MRFO with Levy Flight is suggested for the training of extreme learning machines (ELMs) whose basic model is a Single Layer Feedforward Network (SLFN). The proposed methodology that we called Evolutionary EELM-MRFO-LF for short is implemented to the prediction of unrelaxed and relaxed formation energy compounds relative to ground state crystal structure of pure components in binary systems. EELM-MRFO-LF follows the learning procedure of traditional Evolutionary ELMs in which first MRFO with LF is used to select the input weights and Moore-Penrose (MP) generalized inverse is applied to analytically determine the output weights. Levy Flight trajectory is implemented for increasing the diversity of the population of ELMs against premature convergence and the ability of avoiding getting trapped in a local optima. The performance of the suggested EELM-MRFO-LF is compared with other well-known nature-inspired algorithms under similar conditions.
• Abstract（参考訳）: Manta Ray Foraging Optimization(MRFO)アルゴリズムは、多数の工学的問題の最適解法において強力なヒューリスティック戦略であることが証明されている。 本稿では, 単層フィードフォワードネットワーク(SLFN)の基本モデルである極端学習機械(ELM)の訓練において, Levy FlightによるMRFOの改良を提案する。 提案手法は,2元系における純成分の基底状態結晶構造に対して,非緩和型および緩和型生成エネルギー化合物の予測に有効である。 EELM-MRFO-LFは、LFを用いた最初のMRFOを入力重みの選択に使用し、ムーアペンローズ(MP)一般化逆数を適用して出力重みを解析的に決定する従来の進化的EMMの学習手順に従う。 レヴィ飛行軌道は、初期収束に対するELMの個体数の多様性を増大させ、局所的な最適状態に閉じ込められることを避けるために実装されている。 提案したEELM-MRFO-LFの性能は、同様の条件下での他のよく知られた自然着想アルゴリズムと比較される。

関連論文リスト

• POET: Power-Oriented Evolutionary Tuning for LLM-Based RTL PPA Optimization [15.350025051608064]
  両課題に対処するフレームワークであるPOET(Power-Oriented Evolutionary Tuning)を提案する。 機能的正確性のために、POETは差分テストベースのテストベンチ生成パイプラインを導入し、オリジナルの設計を機能的設計として扱う。 PPA最適化のために、POETは、非支配的なソート、パワーファーストのイントラレベルランキング、および比例的サバイバルセレクションを備えたLLM駆動の進化メカニズムを採用している。
  論文  参考訳（メタデータ） (2026-03-19T03:19:32Z)
• Reparameterized LLM Training via Orthogonal Equivalence Transformation [54.80172809738605]
  直交同値変換を用いてニューロンを最適化する新しいトレーニングアルゴリズムPOETを提案する。 POETは、目的関数を安定して最適化し、一般化を改善する。 我々は、大規模ニューラルネットワークのトレーニングにおいて、POETを柔軟かつスケーラブルにするための効率的な近似を開発する。
  論文  参考訳（メタデータ） (2025-06-09T17:59:34Z)
• An LLM-Empowered Adaptive Evolutionary Algorithm For Multi-Component Deep Learning Systems [17.78934802009711]
  多目的進化アルゴリズム(MOEA)は、複雑な多成分アプリケーションにおいて最適な解を求めるために広く用いられている。 本稿では,MCDLシステムにおける安全性違反を検出する適応的進化探索アルゴリズムである$mu$MOEAを提案する。 実験の結果,$mu$MOEAは進化探索の効率と多様性を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-01-01T13:19:58Z)
• Research on short-term load forecasting model based on VMD and IPSO-ELM [0.0]
  本研究では,変分モード分解(VMD)と改善粒子群最適化(IPSO)アルゴリズムを統合し,エクストリーム学習マシン(ELM)を最適化する高度な統合予測手法を提案する。 シミュレーションの結果,提案手法は従来のELM法, PSO-ELM法, PSO-ELM法と比較して予測精度と収束速度を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-04T09:20:33Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Multi-Reference Preference Optimization for Large Language Models [56.84730239046117]
  複数の参照モデルを用いた直接選好最適化のための新しいクローズドフォームの定式化を提案する。 得られたアルゴリズムであるMulti-Reference Preference Optimization (MRPO)は、様々な参照モデルからより広範な事前知識を活用する。 MRPOを微調整したLLMは,データ不足や多量性に関わらず,様々な嗜好データにおいてより一般化されていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T00:29:04Z)

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。