論文の概要: Benchmarking Optimizers to Solve Inverse Problems with Differentiable Physics Simulators
- arxiv url: http://arxiv.org/abs/2609.13819v1
- Date: Sat, 12 Sep 2026 09:05:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.561231
- Title: Benchmarking Optimizers to Solve Inverse Problems with Differentiable Physics Simulators
- Title（参考訳）: 微分物理学シミュレータを用いた逆問題解法ベンチマーク最適化
- Abstract要約: 微分可能な物理シミュレータで問題を解くことは、科学的な発見と工学設計に革命をもたらす可能性がある。
我々は、離散力学、連続力学、原子シミュレーション、レンダリング、半経験物理学モデルを含む物理領域にまたがる12の微分可能な物理シミュレータを構築した。
これらのシミュレータに基づいて,パラメータ識別,逆設計,最適制御に分類可能な,対応する逆問題の設計を行う。
- 参考スコア（独自算出の注目度）: 7.108584753298545
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Solving inverse problems with differentiable physics simulators holds the potential to revolutionize scientific discovery and engineering design, as it enjoys both the strict physical correctness from rigorous numerical physics simulators, and the high efficiency and effectiveness from automatic differentiation and gradient-based optimization. However, currently, this paradigm faces performance issues in optimization. In this work, we target benchmarking the performance of different optimizers to solve various inverse problems. We construct 12 differentiable physics simulators spanning physics domains including discrete mechanics, continuous mechanics, atomistic simulations, rendering, and semi-empirical physics models. Based on these simulators, we design corresponding inverse problems that can be categorized into parameter identification, inverse design, and optimal control. Finally, we conduct extensive experiments to compare the performance of different optimizers, including regular first-order methods, approximate second-order methods, as well as global optimizers, on these inverse problems, and analyze the results to provide insights on how to choose and design optimizers for differentiable programming. We hope such benchmarks can inspire the development of more effective optimizers, and further promote the applications of differentiable programming in various scientific and engineering domains.
- Abstract（参考訳）: 微分可能な物理シミュレータによる逆問題の解決は、厳密な数値物理学シミュレータによる厳密な物理的正しさと、自動微分と勾配に基づく最適化による高効率と有効性の両方を享受する科学的な発見と工学設計に革命をもたらす可能性がある。
しかし、現在、このパラダイムは最適化におけるパフォーマンスの問題に直面している。
本研究では,様々な逆問題を解決するために,異なる最適化器の性能のベンチマークを行う。
我々は、離散力学、連続力学、原子シミュレーション、レンダリング、半経験物理学モデルを含む物理領域にまたがる12の微分可能な物理シミュレータを構築した。
これらのシミュレータに基づいて,パラメータ識別,逆設計,最適制御に分類可能な,対応する逆問題の設計を行う。
最後に、これらの逆問題に対して、正規一階法、近似二階法、大域オプティマイザなど、様々なオプティマイザの性能を比較するための広範な実験を行い、その結果を分析し、差別化可能なプログラミングのためのオプティマイザの選択と設計方法に関する洞察を提供する。
このようなベンチマークが、より効果的なオプティマイザの開発を刺激し、様々な科学・工学分野における差別化可能なプログラミングの応用をさらに促進することを願っている。
関連論文リスト
- Robust Rigid Body Assembly via Contact-Implicit Optimal Control with Exact Second-Order Derivatives [0.9079873854272275]
本稿では, 組立動作決定のためのサンプル効率の高いロバスト最適制御手法を提案する。
数値解法に二階解析微分を与える微分可能な物理シミュレーションを構築する。
物理シミュレーション問題の解法は、衝突検出と接触分解問題の両方に適用された内部点法にインスパイアされた平滑化を用いて微分可能とする。
論文 参考訳（メタデータ） (2026-01-30T11:21:20Z) - Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
勾配学習における設計の自動化に関する理論的基礎を築いた。
勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
論文 参考訳（メタデータ） (2025-12-06T09:50:41Z) - Neural surrogates for designing gravitational wave detectors [21.601009915564344]
ニューラルサロゲートモデルが従来のCPUベースのシミュレータへの依存を著しく低減することを示す。
LIGO コミュニティが開発した重力波物理シミュレータ Finesse を代用するニューラルネットワークを訓練する。
我々のアルゴリズムは、サロゲートのトレーニング、新しい実験の逆設計、さらに訓練のために遅いシミュレータでそれらの特性を検証する間をループする。
論文 参考訳（メタデータ） (2025-11-24T17:58:59Z) - DiffVL: Scaling Up Soft Body Manipulation using Vision-Language Driven
Differentiable Physics [69.6158232150048]
DiffVLは、非専門家がソフトボディ操作タスクをコミュニケーションできるようにする手法である。
大規模言語モデルを用いてタスク記述を機械解釈可能な最適化対象に翻訳する。
論文 参考訳（メタデータ） (2023-12-11T14:29:25Z) - Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文 参考訳（メタデータ） (2023-12-06T18:20:46Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-05T08:32:07Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳（メタデータ） (2021-09-16T04:48:13Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳（メタデータ） (2020-07-04T19:07:51Z)
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。