論文の概要: Reinforcement Learning-Based Laser Cutting Machine Parameter Optimization

• arxiv url: http://arxiv.org/abs/2608.10549v1
• Date: Tue, 11 Aug 2026 06:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.929881
• Title: Reinforcement Learning-Based Laser Cutting Machine Parameter Optimization
• Title（参考訳）: 強化学習型レーザ切削機パラメータ最適化
• Abstract要約: Reinforcement Learning for Laser Cutting (RL$2$C)アルゴリズムは、Epsilon-greedyポリシーを用いたQラーニングを用いて、カットパラメータを動的に最適化する。 RL$2$Cは、様々なRLベースの最適化手法と比較して、最適切断パラメータを見つけるのに少ないステップと少ない時間を必要とする。
• 参考スコア（独自算出の注目度）: 1.4680035572775534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving high accuracy in laser-based cutting of optical films requires careful tuning of parameters such as focal length and laser power beam, adjusted according to the specific properties of each film type. Trial-and-error based traditional methods are used to find the most suitable cutting parameters for various films, but they are slow and inaccurate. To address this issue, this paper presents the Reinforcement Learning for Laser Cutting (RL$^{2}$C) algorithm, which uses Q-learning with an epsilon-greedy policy to dynamically optimize cutting parameters, significantly reducing taper size and film wastage. Additionally, RL$^{2}$C incorporates a dynamic environment space adaptability mechanism to allow it to adapt to new states encountered during the learning process over multiple batches of experiments. Experimental results demonstrate that RL$^{2}$C requires fewer steps and less time to find optimal cutting parameters compared to various RL-based optimization methods. Specifically, RL$^{2}$C reduces the number of optimization steps by up to 12.5\% and processing time by up to 81.8\% compared to existing methods. This study demonstrates the potential of RL in industrial laser-cutting processes by improving cut quality, reducing time and film wastage, and minimizing manual interventions.
• Abstract（参考訳）: 光フィルムのレーザ切断において高い精度を達成するためには、各フィルムの特定の特性に応じて調整される焦点長やレーザーパワービームなどのパラメータを慎重に調整する必要がある。 試行錯誤に基づく従来の手法は、様々な映画に最適なカットパラメータを見つけるために用いられるが、それらは遅く、不正確である。 本稿では,レーザー切断のための強化学習(RL$^{2}$C)アルゴリズムを提案する。 さらに、RL$^{2}$Cは動的環境空間適応性機構を導入し、複数の実験のバッチで学習プロセス中に遭遇した新しい状態に適応できるようにする。 実験により, RL$^{2}$Cでは, 様々なRLに基づく最適化手法と比較して, 最適切断パラメータの探索に要する時間が少なくなった。 具体的には、RL$^{2}$Cは、最適化ステップの数を12.5\%まで削減し、処理時間を既存の方法と比較して最大81.8\%まで短縮する。 本研究は, 産業用レーザー切断プロセスにおけるRLの可能性について, カット品質の向上, 時間とフィルムの無駄の低減, 手作業による介入の最小化により実証した。

関連論文リスト

• Hyperparameter Transfer Enables Consistent Gains of Matrix-Preconditioned Optimizers Across Scales [55.91454326946738]
  学習速度と減量率の最適化は,幅広い言語に対して,モデルの幅と深さでどのようにスケールするかを検討する。 我々は、$Pによる学習率のスケーリングは転送を改善するが、それでもかなりの有限幅偏差に悩まされる可能性があることを見出した。 計算-最適スケーリングでは、独立したウェイト崩壊が1/mathrmwidth$で言語間でほぼ最適であることが分かる。
  論文  参考訳（メタデータ） (2025-12-05T11:03:41Z)
• Nemotron-Flash: Towards Latency-Optimal Hybrid Small Language Models [97.55009021098554]
  本研究の目的は、SLMのリアルタイムレイテンシの主要な決定要因を特定し、SLMの設計とトレーニングのための一般化可能な原則と方法論を提供することである。 我々はNemotron-Flashと呼ばれるハイブリッドSLMの新たなファミリーを導入し、最先端SLMの精度・効率のフロンティアを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-24T08:46:36Z)
• Fantastic Pretraining Optimizers and Where to Find Them [59.56075036649332]
  AdamWは長い間、言語モデルの事前訓練において支配的な勾配だった。 行列ベースの行列の高速化はモデルスケールに逆比例する。
  論文  参考訳（メタデータ） (2025-09-02T07:43:22Z)
• SparseLoRA: Accelerating LLM Fine-Tuning with Contextual Sparsity [52.88892280536302]
  SparseLoRAは,コンテキスト空間の空間的分散によって微調整を高速化する手法である。 SparseLoRAは計算コストを最大2.2倍、測定速度を最大1.6倍に削減する。
  論文  参考訳（メタデータ） (2025-06-19T17:53:34Z)
• Sample-Efficient Bayesian Transfer Learning for Online Machine Parameter Optimization [5.467297536043163]
  本研究では,ベイズ最適化アルゴリズムを用いて,システム自体のマシンパラメータを最適化する手法を提案する。 既存のマシンデータを活用することで、最小限のイテレーションで最適点を特定するために、転送学習アプローチを使用する。 実世界における金属板の切削用レーザ機へのアプローチを検証した。
  論文  参考訳（メタデータ） (2025-03-20T08:08:17Z)
• LESA: Learnable LLM Layer Scaling-Up [57.0510934286449]
  LLM(Large Language Models)をスクラッチからトレーニングするには膨大な計算資源が必要であるため、非常に高価である。 モデルスケーリングアップは、より小さなモデルのパラメータを活用してより大きなモデルを作成することで、有望なソリューションを提供する。 深度スケールアップのための新しい学習方法である textbfLESA を提案する。
  論文  参考訳（メタデータ） (2025-02-19T14:58:48Z)
• Progressive Mixed-Precision Decoding for Efficient LLM Inference [49.05448842542558]
  我々は,デコーディングのメモリバウンドネスに対処するために,プログレッシブ・ミックス・プレシジョン・デコーディング(PMPD)を導入する。 PMPDはfp16モデルの行列ベクトル乗算において1.4$-$12.2$times$ Speedupを達成する。 我々の手法は、fp16モデルよりも3.8$-$8.0$times$、均一量子化アプローチよりも1.54$times$のスループット向上をもたらす。
  論文  参考訳（メタデータ） (2024-10-17T11:46:33Z)
• Bypass Back-propagation: Optimization-based Structural Pruning for Large Language Models via Policy Gradient [57.9629676017527]
  本研究では,プルーンドモデルの損失を最適化することにより,確率空間におけるプルーニングマスクを直接学習する最適化に基づく構造的プルーニングを提案する。 我々は、基底となるベルヌーイ分布をサンプルのバイナリ・プルーニングマスクに学習することでこれを実現する。 LLaMA, LLaMA-2, LLaMA-3, Vicuna, Mistral モデルによる実験により, 本手法の有効性と有効性を示すことができた。
  論文  参考訳（メタデータ） (2024-06-15T09:31:03Z)
• ShiftAddLLM: Accelerating Pretrained LLMs via Post-Training Multiplication-Less Reparameterization [13.622268474310918]
  ShiftAddLLMは大規模言語モデルの効率的な乗算自由モデルである。 5.6および22.7ポイントのパープレキシティ改善を同等または低いレイテンシで達成する。 5つのLLMファミリーと8つのタスクの実験は、ShiftAddLLMの有効性を一貫して検証している。
  論文  参考訳（メタデータ） (2024-06-10T02:47:55Z)
• TempoRL: laser pulse temporal shape optimization with Deep Reinforcement Learning [0.577478614918139]
  高出力レーザー(HPL)の最適性能は、光-物質相互作用に関連する様々な実験タスクの成功に不可欠である。 伝統的に、HPLパラメータはブラックボックスの数値法に依存する自動化方式で最適化される。 モデルフリーのDeep Reinforcement Learning (DRL)は、HPLパフォーマンスを最適化するための有望な代替フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-04-20T22:15:27Z)
• One-shot, Offline and Production-Scalable PID Optimisation with Deep Reinforcement Learning [0.0]
  PID制御は、97%以上の自動化産業プロセスの基盤となっている。 汎用システム特性の関係を学習する深層強化学習に基づく手法を提案する。 この方法は、最も困難な目標切換速度に該当するアクチュエータの数を5倍に改善する。
  論文  参考訳（メタデータ） (2022-10-25T10:49:26Z)
• Multipoint-BAX: A New Approach for Efficiently Tuning Particle Accelerator Emittance via Virtual Objectives [47.52324722637079]
  マルチポイントクエリにおけるブラックボックス最適化のための情報理論アルゴリズムであるMultipoint-BAXを提案する。 我々はマルチポイントBAXを用いてLinac Coherent Light Source(LCLS)とAdvanced Accelerator Experimental Tests II(FACET-II)の発光を最小化する。
  論文  参考訳（メタデータ） (2022-09-10T04:01:23Z)
• Machine Learning-Driven Process of Alumina Ceramics Laser Machining [0.0]
  インテリジェントな戦略は、ピコ秒レーザー加工パラメータの関係を捉えるために機械学習(ML)技術を使用することである。 ビーム振幅や周波数、スキャナ通過速度、表面上の通過数などのレーザーパラメータを用いて、彫刻されたチャネルの深さ、最上幅、底幅を予測する。 ニューラルネットワーク(NN)は、出力を予測する上で最も効率的である。
  論文  参考訳（メタデータ） (2022-06-13T22:35:14Z)

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。