論文の概要: ShapeBench: A Scalable Benchmark and Diagnostic Suite for Standardized Evaluation in Aerodynamic Shape Optimization
- arxiv url: http://arxiv.org/abs/2605.20763v1
- Date: Wed, 20 May 2026 06:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.514101
- Title: ShapeBench: A Scalable Benchmark and Diagnostic Suite for Standardized Evaluation in Aerodynamic Shape Optimization
- Title（参考訳）: ShapeBench: 空力形状最適化の標準化評価のためのスケーラブルベンチマークと診断スイート
- Authors: Shaghayegh Fazliani, Krissh Chawla, Jack Guo, Yiren Shen, Matthias Ihme, Madeleine Udell,
- Abstract要約: オープンソースのASOベンチマークであるShapeBenchを紹介した。8つのカテゴリにまたがる103のタスクと複数の最適化機構にまたがる統一APIを備える。
それぞれのShapeBenchタスクは、高速検索のための検証されたサロゲートを含み、体系的な忠実度-ギャップ解析を可能にする。
シェープベンチの結果は、スピアマン平均が0.013$であるような、形状カテゴリーと問題定式化のランク付けにおいて、かなりのばらつきを示すため、単一タスクの結論は問題クラス全体で確実に一般化されない。
古典的な手法はあらゆる形態のカテゴリやタスクに当てはまることは稀であり、より汎用的なアプローチの必要性をさらに強調している。
- 参考スコア（独自算出の注目度）: 9.151054983399924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rapid progress in aerodynamic shape optimization (ASO) has outpaced currently-available standardized evaluation frameworks. Fair comparison requires a unified benchmark spanning diverse shape classes, objective formulations, and matched-budget state-of-the-art baselines. We introduce ShapeBench, an open-source ASO benchmark with a unified API spanning 103 tasks across eight shape categories and multiple optimization regimes. Each ShapeBench task includes a validated surrogate for fast search; when feasible, a high-fidelity Computational Fluid Dynamics (CFD) pipeline for final verification is available, enabling systematic fidelity-gap analysis. ShapeBench provides a reproducible protocol with well-configured baselines to compare fairly using a consistent budget metric, allowing for comparison among both classical and LLM-driven methods, including general-purpose optimizers and a new domain-specialized evolutionary LLM baseline, ShapeEvolve. Results on ShapeBench demonstrate substantial variance in optimizer rankings across shape categories and problem formulations, with mean pairwise Spearman $ρ= 0.013$, so single-task conclusions do not reliably generalize across problem classes. The benchmark is also far from saturation; classical methods are rarely applicable across all shape categories and tasks, further highlighting the need for more general-purpose approaches.
- Abstract（参考訳）: 空力形状最適化(ASO)の急速な進歩は、現在利用可能な標準評価フレームワークを上回っている。
公正な比較には、様々な形状のクラス、客観的な定式化、そして一致した予算のベースラインにまたがる統一されたベンチマークが必要である。
オープンソースのASOベンチマークであるShapeBenchを紹介した。8つの型カテゴリと複数の最適化機構に103のタスクを分散した統一APIを備える。
各ShapeBenchタスクには、高速検索のための検証されたサロゲートが含まれており、実現可能な場合には、最終的な検証のための高忠実度計算流体力学(CFD)パイプラインが利用可能であり、体系的なフィデリティ-ギャップ解析を可能にする。
ShapeBenchは、よく構成されたベースラインを持つ再現可能なプロトコルを提供し、一貫した予算基準を使い、汎用オプティマイザや新しいドメイン固有の進化的LLMベースラインであるShapeEvolveを含む古典的およびLLM駆動の手法の比較を可能にする。
シェープベンチの結果は、形状圏と問題定式化の間で最適化器のランクのかなりのばらつきを示し、ペア平均の Spearman $ρ = 0.013$ であるので、単一タスクの結論は問題クラス全体で確実に一般化されない。
古典的な手法はあらゆる形態のカテゴリやタスクに当てはまることは稀であり、より汎用的なアプローチの必要性をさらに強調している。
関連論文リスト
- SpecRLBench: A Benchmark for Generalization in Specification-Guided Reinforcement Learning [4.819678320271634]
仕様誘導強化学習(RL)は、複雑な時間的に拡張されたタスクを符号化するための原則的なフレームワークを提供する。
本稿では,一般化に基づくRL法の性能評価のためのベンチマークであるSpecRLBenchを紹介する。
論文 参考訳（メタデータ） (2026-04-27T17:40:18Z) - POLCA: Stochastic Generative Optimization with LLM [26.342554900977003]
局所文脈を用いた優先順位付け最適化(POLCA)を導入する。
POLCAは、最適化におけるパラメータ性を扱うために設計されたスケーラブルなフレームワークである。
我々は,POLCAが頑健,サンプル,時間効率の両立を実証した。
論文 参考訳（メタデータ） (2026-03-16T03:07:44Z) - Principled Algorithms for Optimizing Generalized Metrics in Binary Classification [53.604375124674796]
一般化されたメトリクスを最適化するアルゴリズムを導入し、$H$-consistency と finite-sample generalization bounds をサポートする。
提案手法は,メトリクス最適化を一般化したコスト依存学習問題として再検討する。
我々は,理論性能を保証する新しいアルゴリズムMETROを開発した。
論文 参考訳（メタデータ） (2025-12-29T01:33:42Z) - LLM Routing with Dueling Feedback [49.67815163970033]
ユーザの満足度,モデルの専門性,推論コストのバランスを保ちながら,クエリ毎に最適なモデルを選択するという課題について検討する。
絶対的なスコアではなく、ペアの選好フィードバックから学習することで、ルーティングをコンテキストデュエルの帯域として定式化する。
分類的重み付けを用いた対照的な微調整を用いて,オフラインデータからモデル埋め込みを導出する表現学習手法であるカテゴリーキャリブレーション・ファインタニング(CCFT)を導入する。
論文 参考訳（メタデータ） (2025-10-01T12:52:25Z) - LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Generalized Preference Optimization: A Unified Approach to Offline Alignment [54.97015778517253]
本稿では,一般的な凸関数のクラスによってパラメータ化されるオフライン損失の族である一般化された選好最適化(GPO)を提案する。
GPOは、DPO、IPO、SLiCといった既存のアルゴリズムを特別なケースとして含む、優先最適化に関する統一的なビューを可能にする。
本研究は,新たなアルゴリズムツールキットと経験的洞察を実践者のアライメントに提示する。
論文 参考訳（メタデータ） (2024-02-08T15:33:09Z) - Improving LSHADE by means of a pre-screening mechanism [0.0]
本稿では,LSHADEアルゴリズムを事前スクリーニング機構(psLSHADE)の形で拡張する。
提案した事前スクリーニングは, 特定の初期サンプリング手順, サンプルのアーカイブ, フィットネス機能の大域的線形メタモデルという3つのコンポーネントに依存している。
psLSHADEの性能は、CEC2021ベンチマークを用いて、1次元あたり102-104 FFEの最適化予算を持つ高価なシナリオで評価される。
論文 参考訳（メタデータ） (2022-04-08T14:52:46Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳（メタデータ） (2021-09-12T23:54:26Z) - Automatic selection of basis-adaptive sparse polynomial chaos expansions
for engineering applications [0.0]
スパースカオス展開のための3つの最新技術に基づく基礎適応的アプローチについて述べる。
我々は,大規模な計算モデルに対して,大域的近似精度の観点から広範なベンチマークを行う。
クロスバリデーションエラーによって導かれる新しい解法と基底適応性選択スキームを導入する。
論文 参考訳（メタデータ） (2020-09-10T12:13:57Z) - Stochastic batch size for adaptive regularization in deep network
optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。
一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文 参考訳（メタデータ） (2020-04-14T07:54:53Z)
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。