Fugu-MT 論文翻訳(概要): Designing Active Tether-Net Systems for Space Debris Capture with Graph-Learning-Aided Mixed-Combinatorial Optimization

論文の概要: Designing Active Tether-Net Systems for Space Debris Capture with Graph-Learning-Aided Mixed-Combinatorial Optimization

arxiv url: http://arxiv.org/abs/2605.29021v1
Date: Wed, 27 May 2026 19:19:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-30 02:45:55.341833
Title: Designing Active Tether-Net Systems for Space Debris Capture with Graph-Learning-Aided Mixed-Combinatorial Optimization
Title（参考訳）: グラフ学習支援混合組合せ最適化による宇宙ゴミ捕獲のためのアクティブテザネットシステムの設計
Authors: Feng Liu, Achira Boonrath, Gishnu Madhu, Eleonora M. Botta, Souma Chowdhury,
Abstract要約: 本稿では,テザネットシステムの複雑で制約付き非線形最適化問題について検討する。グラフニューラルネットワーク(GNN)は、グラフ内のノードとして表される(上記の)候補の組み合わせと、入力として与えられる候補の連続変数ベクトル部分とをスコアするために訓練される。その結果、MCNLP最適化はNLPに還元され、標準解法を用いて解ける。
参考スコア（独自算出の注目度）: 8.22669567374754
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Active tether-net systems are a promising solution for capturing large non-cooperative targets, such as space debris, by deploying a flexible net manipulated by maneuverable units (MUs). However, concurrent systematic explorations of design and control choices of the tether-net system to understand its full potential remain limited, partly due to the complex, constrained, nonlinear optimization problem that it presents -- one that involves a mixture of continuous, integer and categorical variables, with the latter two arising from net connectivity and component choices, respectively. Classical binary encoding methods are often ineffective for solving highly nonlinear and multimodal Mixed Combinatorial Nonlinear Programmings (MCNLPs) in engineering design, while integer coding approaches can introduce spurious relations among combinations. Given the graph-structured characteristics of the combinatorial space, this paper adopts and extends a new graph-learning-aided optimization approach to solve this MCNLP problem. Here, a Graph Neural Network (GNN) is trained to score (as output) and thereof recommend candidate combinations represented as nodes in a graph, with the continuous variable vector portion of a candidate design given as input. As a result, the MCNLP optimization reduces to an NLP, which can be solved using standard solvers. While this reduction approach is agnostic to the choice of the NLP solver, here a state-of-the-art Particle Swarm Optimization (PSO) algorithm with gradient-based fine-tuning is used as the solver. Demonstrated on the problem of concurrently designing the morphology of the net, choice of mass and thrusters in the MUs and aiming points used by the controller of the tether-net system, the GNN-based recommender is shown to provide significantly faster convergence to similar optimal solutions, compared to direct solution of the MCNLP problem.
Abstract（参考訳）: アクティブテザネットシステムは、操作可能なユニット(MU)によって操作されるフレキシブルネットを配置することで、宇宙デブリのような大規模な非協調ターゲットを捕捉するための有望なソリューションである。しかしながら、テザネットシステムの設計と制御の選択を同時に体系的に検討し、その潜在能力を理解することは、部分的には、連続変数、整数変数、カテゴリー変数の混合を含む、複雑で制約のある非線形最適化問題によるものであり、後者の2つはネット接続とコンポーネントの選択から生じるものである。古典的バイナリ符号化法は、工学設計において高非線形かつ多モードのMixed Combinatorial nonlinear Programmings (MCNLP) を解くのに効果的ではないことが多い。組合せ空間のグラフ構造特性を考えると,このMCNLP問題を解くためのグラフ学習支援最適化手法を採用し,拡張する。ここで、グラフニューラルネットワーク(GNN)は、入力として与えられる候補設計の連続変数ベクトル部分とともに、グラフ内のノードとして表される候補の組み合わせを(出力として)スコアする訓練を行う。その結果、MCNLP最適化はNLPに還元され、標準解法を用いて解ける。この削減手法はNLPソルバの選択に非依存であるが、ここでは勾配に基づく微調整を施した最先端のParticle Swarm Optimization (PSO) アルゴリズムを用いる。 GNNをベースとした推薦機は, ネットの形態, MUにおける質量と推力の選択, テザネットシステムのコントローラが使用する目標点を同時に設計する問題に対して, MCNLP問題の直接解に比べて, 類似の最適解よりもはるかに高速に収束することを示した。

関連論文リスト

Geometric Algorithms for Neural Combinatorial Optimization with Constraints [46.17172939797694]
Self-Supervised Learning for Combinatorial Optimization (CO)は、ニューラルネットワークを使って問題を解決するための新しいパラダイムである。ニューラルネットワークによる離散的な制約付き最適化問題の解決を可能にする、エンドツーエンドの微分可能なフレームワークを設計する。
論文参考訳（メタデータ） (2025-10-28T03:49:01Z)
A Guaranteed-Stable Neural Network Approach for Optimal Control of Nonlinear Systems [3.5000297213981653]
非線形システムの最適制御に対する有望なアプローチは、システムを反復線形化し、最適制御入力を決定するために各タイミングで最適化問題を解くことである。このアプローチはオンライン最適化に依存するため、計算コストがかかるため、限られた計算資源を持つシステムでは非現実的である。この問題の潜在的な解決策の1つは、ニューラルネットワーク(NN)を制御ループに組み込むことである。
論文参考訳（メタデータ） (2025-01-28T22:55:47Z)
Annealing Machine-assisted Learning of Graph Neural Network for Combinatorial Optimization [2.0643665408482517]
Annealing Machines (AM) は複雑な問題を解決する能力の増大を示している。グラフニューラルネットワーク(GNN)は最近、問題解決に適応している。本稿では,AMが提示する精度とGNNの表現の柔軟性とスケーラビリティを両立することを目的としたマージ手法を提案する。
論文参考訳（メタデータ） (2025-01-10T10:36:46Z)
Enhancing GNNs Performance on Combinatorial Optimization by Recurrent Feature Update [0.09986418756990156]
本稿では,組合せ最適化(CO)問題を効率よく解くために,GNNのパワーを活用して,QRF-GNNと呼ぶ新しいアルゴリズムを提案する。 QUBO緩和による損失関数の最小化による教師なし学習に依存している。実験の結果、QRF-GNNは既存の学習ベースアプローチを大幅に上回り、最先端の手法に匹敵することがわかった。
論文参考訳（メタデータ） (2024-07-23T13:34:35Z)
Dynamically configured physics-informed neural network in topology optimization applications [4.403140515138818]
物理インフォームドニューラルネットワーク(PINN)は、前方問題を解決する際に大量のデータを生成するのを避けることができる。動的に構成された PINN-based Topology Optimization (DCPINN-TO) 法を提案する。変位予測と最適化結果の精度は,DCPINN-TO法が効率的かつ効率的であることを示している。
論文参考訳（メタデータ） (2023-12-12T05:35:30Z)
Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文参考訳（メタデータ） (2023-11-05T12:03:58Z)
A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文参考訳（メタデータ） (2023-09-02T11:01:16Z)
Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文参考訳（メタデータ） (2023-05-26T15:13:09Z)
Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文参考訳（メタデータ） (2021-01-05T03:55:04Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。