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
• 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

• FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations [66.32852384262038]
  混合整数プログラミング(MIP)は、運用研究と産業最適化の核心にある。 FormuEvoは、解法効率のMIP式の自動発見のための進化的フレームワークである。 FormuEvoは、MIP定式化のシンボル空間上の進化的最適化として、MIP定式化設計を行う。
  論文  参考訳（メタデータ） (2026-08-24T15:01:28Z)
• PLOT: Enhancing Preference Learning via Optimal Transport [28.079554847535107]
  PLOTは、最適輸送から導出されるトークンレベルの損失を通じて、微調整に基づくアライメントにおける優先度学習を強化する。 PLOTは、大規模言語モデルの本来の分布を保ちながら、モデルの出力を人間の好みに合わせる。
  論文  参考訳（メタデータ） (2026-04-02T09:51:56Z)
• 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)
• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• 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)
• Modality-Balancing Preference Optimization of Large Multimodal Models by Adversarial Negative Mining [75.14823970163685]
  LMMにおけるモダリティの不均衡に対処するため、新しい選好学習フレームワークMBPOを提案する。 MBPOは、強い負の反応、すなわちLLMバイアスによって誤った反応を生成することによって、より効果的なオフライン嗜好データセットを構築する。 視覚言語課題におけるLMM性能を高め、幻覚を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2025-05-20T03:59:05Z)
• Can Large Language Models Be Trusted as Evolutionary Optimizers for Network-Structured Combinatorial Problems? [8.431866560904753]
  大規模言語モデル(LLM)は、言語理解とさまざまなドメイン間の推論において強力な能力を示している。 本研究では,問題構造に係わるLLMの能力を評価するための体系的枠組みを提案する。 我々は、よく使われる進化的手法(EVO)を採用し、LLM演算子の出力忠実度を厳格に評価する包括的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-25T05:19:19Z)
• 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。