論文の概要: U-Net-Accelerated Quality-Diversity Optimization for Climate-Adaptive Urban Layouts

• arxiv url: http://arxiv.org/abs/2606.04658v1
• Date: Wed, 03 Jun 2026 09:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.658364
• Title: U-Net-Accelerated Quality-Diversity Optimization for Climate-Adaptive Urban Layouts
• Title（参考訳）: U-Net-Accelerated Quality-Diversity Optimization for Climate-Adaptive Urban Layouts
• Authors: Alexander Hagg, Tania Guerrero, Dirk Reith,
• Abstract要約: glsqdのアルゴリズムは 設計空間を照らす方法を提供するが シュロゲートモデルが実用的である必要がある 本稿では,制御の遅い物理シミュレータを,オフラインMAP-Elitesループ内の空間深層学習サロゲート(U-Net)に置き換える。 その結果、オープンソースのOpenSKIZZEツールにデプロイされたパイプラインは、10分以内で数千の多様な気候評価された建物のレイアウトを生成する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Optimizing urban layouts for climate adaptation requires balancing building density with cold-air ventilation. Because physics-based climate simulations are computationally expensive, planners typically evaluate fewer than ten manual designs. \gls{qd} algorithms offer a way to systematically illuminate the design space, but they require surrogate models to be practical. In this paper, we replace a slow, regulatory physics simulator with a spatial deep-learning surrogate (U-Net) inside an offline MAP-Elites loop. We systematically compare this spatial approach with a traditional \gls{gp} surrogate across different training-data strategies (quasi-random Sobol sampling vs.\ active \gls{qd} bootstrapping). Our results reveal that scalar \gls{gp} surrogates fail catastrophically when trained on random samples, requiring expensive, actively generated \gls{qd} archives to generalize. In contrast, the spatial inductive bias of the U-Net allows it to learn the underlying physics mapping robustly ($R^2 = 0.996$), completely independent of the training data source. This allows offline \gls{qd} optimization to achieve highly accurate fitness rankings ($ρ= 0.994$) using only a one-time batch of random training samples. The resulting pipeline, deployed in the open-source OpenSKIZZE tool, generates thousands of diverse, climate-evaluated building layouts in under ten minutes.
• Abstract（参考訳）: 気候適応のための都市レイアウトの最適化には、建物密度と冷気換気のバランスをとる必要がある。 物理に基づく気候シミュレーションは計算に費用がかかるため、プランナーは通常10人未満の手動設計を評価する。 \gls{qd} アルゴリズムは、設計空間を体系的に照らす方法を提供するが、サロゲートモデルが実用的である必要がある。 本稿では,制御の遅い物理シミュレータを,オフラインMAP-Elitesループ内の空間深層学習サロゲート(U-Net)に置き換える。 我々は,この空間的アプローチを,異なるトレーニングデータ戦略(準ランダムソボサンプリング vs. 準ランダムソボサンプリング)にまたがる従来の \gls{gp} サロゲートと体系的に比較する。 アクティブな \gls{qd} ブートストラッピング。 この結果から,スカラー \gls{gp} サロゲートはランダムサンプルのトレーニング時に破滅的に失敗し,高コストで能動的に生成された \gls{qd} アーカイブが一般化されることがわかった。 対照的に、U-Netの空間帰納バイアスは、トレーニングデータソースから完全に独立した基礎となる物理マッピング(R^2 = 0.996$)をしっかりと学習することができる。 これにより、オフラインの \gls{qd} 最適化は、1回のランダムトレーニングサンプルのみを使用して、高精度なフィットネスランキング(ρ=0.994$)を達成することができる。 その結果、オープンソースのOpenSKIZZEツールにデプロイされたパイプラインは、10分以内で数千の多様な気候評価された建物のレイアウトを生成する。

関連論文リスト

• Pretrained Video Models as Differentiable Physics Simulators for Urban Wind Flows [19.138046381683456]
  WinDiNetは事前訓練されたビデオ拡散モデルであり、このタスクの高速で微分可能なサロゲートとして再利用される。 我々は、手続き的に生成された建築レイアウトに対して、1万の2次元非圧縮性CFDシミュレーションを微調整する。 シュロゲートはエンドツーエンドで微分可能であるため、勾配に基づく逆最適化のための物理シミュレータとして二重化される。
  論文  参考訳（メタデータ） (2026-03-22T13:08:01Z)
• Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
  本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。 この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。 45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-07-21T18:15:12Z)
• Fast filtering of non-Gaussian models using Amortized Optimal Transport Maps [4.745059103971596]
  本稿では、最適輸送フィルタ(OTF)のリアルタイムトレーニングに伴う計算負担を軽減するために設計された、償却最適輸送フィルタ(A-OTF)を提案する。 A-OTFは、オンライン計算における推論コストを低減するために、初期/オフラインのトレーニング段階におけるOTFマップ間の類似性を利用する。
  論文  参考訳（メタデータ） (2025-03-16T20:05:26Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal Sample and Communication Complexities for Federated Learning [58.6792963686231]
  フェデレートラーニング(FL)とは、複数のワーカノード(WN)がローカルデータを用いてジョイントモデルを構築するパラダイムを指す。 WNの最小更新方向、最初のミニバッチサイズ、ローカル更新頻度をどうやって選択するかは明らかになっていない。 局所的な更新頻度と局所的なミニサイズとの間にはトレードオフ曲線があることを示し、上記の複雑さを維持できることを示す。
  論文  参考訳（メタデータ） (2021-06-19T06:13:45Z)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。