論文の概要: Scaling Laws for Physics-Aware ACOPF Surrogate Learning

• arxiv url: http://arxiv.org/abs/2609.16282v1
• Date: Mon, 14 Sep 2026 19:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.214088
• Title: Scaling Laws for Physics-Aware ACOPF Surrogate Learning
• Title（参考訳）: 物理を意識したACOPFサロゲート学習のためのスケーリング法則
• Abstract要約: 学習に基づくAC最適電力フローのサロゲートは、古典的解法よりも大きなスピードアップを約束する。 グリッド間のネットワークサイズで制約違反がどのように変化するかを特徴付ける。 一致したハードウェアでは、ALは無視可能なメモリを追加して、トレーニング時間を桁違いに増やすために、違反を30ドル近く削減する。
• 参考スコア（独自算出の注目度）: 7.6066112742186105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based surrogates for AC optimal power flow (ACOPF) promise large speedups over classical solvers, but their operational value depends on physical feasibility as much as predictive accuracy. Physics-aware objectives such as the augmented Lagrangian (AL) improve constraint satisfaction at additional per-step cost, yet how this trade-off behaves with scale is uncharacterized. We sweep model and dataset sizes under both MSE and AL training, and characterize how constraint violation changes with network size across grids. Both objectives improve as power laws, but at different rates: MSE is governed primarily by model capacity, while AL is balanced across both. Violation grows roughly twice as fast with network size under MSE as under AL. On matched hardware, AL reduces violation by nearly $30\times$ for an order of magnitude more training time, with negligible added memory. The training objective determines not only where a surrogate lands but how its quality evolves with scale.
• Abstract（参考訳）: 学習に基づくAC最適電力フロー(ACOPF)のサロゲートは、古典的解法よりも大きなスピードアップを約束するが、それらの演算値は、予測精度と同じくらいの物理的実現性に依存する。 拡張ラグランジアン(AL)のような物理学的な目的は、追加のステップ当たりのコストで制約満足度を改善するが、このトレードオフがスケールでどのように振る舞うかは不明確である。 MSEとALトレーニングの両方でモデルとデータセットのサイズを整理し、グリッド間のネットワークサイズによる制約違反がどのように変化するかを特徴付ける。 MSEは主にモデルキャパシティによって管理され、ALは両者でバランスを取っている。 換気は、ALの約2倍の速度で成長し、MSEのネットワークサイズはALの約2倍になる。 一致したハードウェアでは、ALは無視可能なメモリを追加して、トレーニング時間を桁違いに増やすために、違反を30ドル近く削減する。 トレーニングの目的は、サロゲートがどこに着地するかだけでなく、その品質がスケールとともにどのように進化するかを決定する。

関連論文リスト

• Improving Neural Network Training by Decoupling the Magnitude and Direction of Weight Vectors [110.10775872372047]
  EmphMagnitude-Direction-Direction (MD) Decouplingを提案する。 これは、各重量をハイパースフィア上の固定ノルム方向に分解し、学習可能な1ローとカラムごとのマグニチュードゲインを、別々の学習速度で更新する。 アダムとムーンの双方で、MD Decouplingはよく調整されたベースラインを改善し、モデルの幅を調整せずに最適なLRを転送し、大規模なMixture-of-Expertsモデルのスケールに役立っている。
  論文  参考訳（メタデータ） (2026-06-24T15:40:26Z)
• SAW: Stage-Aware Dynamic Weighting for Multi-Objective Reinforcement Learning in Large Language Models [66.92079232778707]
  本稿では,アルゴリズムに依存しない軽量な動的重み付け機構として,SAW(Stage-Aware Dynamic Weighting)を提案する。 SAWは、各次元の報酬または利益の貢献を、バッチ内の相対的な情報性によって重み付けする。 ツールコールとテキスト要約タスクの実験により、SAWはトレーニング効率と最終的なパフォーマンスの両方を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-06-05T10:00:19Z)
• VAGS: Velocity Adaptive Guidance Scale for Image Editing and Generation [15.19510801548845]
  COCOフリーガイダンス(CFG)は、テキストセマンティクスがフローベースのサンプルをいかに動かせるかに関する主要な制御である。 本稿では,有界因子で名目規模を乗算する,トレーニング不要の代替案であるVAGSを提案する。 VAGSは、固定CFGと最近のトレーニングフリーガイダンスの変種に対して、構造的忠実度と生成品質を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-15T06:32:49Z)
• Gated Slot Attention for Efficient Linear-Time Sequence Modeling [59.019501274074564]
  Gated Slot Attention(GSA)は境界メモリ・コントロル(ABC)による注意を高める GSAはGated Linear Attention (GLA)にインスパイアされたゲーティング機構を組み込んでいる
  論文  参考訳（メタデータ） (2024-09-11T09:49:50Z)
• QA-LoRA: Quantization-Aware Low-Rank Adaptation of Large Language Models [85.02796681773447]
  量子化対応低ランク適応(QA-LoRA)アルゴリズムを提案する。 その動機は量子化と適応の自由の不均衡度にある。 QA-LoRAは数行のコードで簡単に実装できる。
  論文  参考訳（メタデータ） (2023-09-26T07:22:23Z)
• Maximum Likelihood Distillation for Robust Modulation Classification [50.51144496609274]
  我々は、より堅牢なAMCシステムを構築するために、知識蒸留のアイデアと敵の訓練に基づいて構築する。 オフライン環境でのAMC問題を解消し,より優れたトレーニングラベルを生成するためのMaximum Likelihood関数を提案する。
  論文  参考訳（メタデータ） (2022-11-01T21:06:11Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• AdaScale SGD: A User-Friendly Algorithm for Distributed Training [29.430153773234363]
  本研究では,大規模バッチ学習に学習率を確実に適応させるアルゴリズムであるAdaScale SGDを提案する。 勾配の分散に継続的に適応することにより、AdaScaleは幅広いバッチサイズでスピードアップを達成する。 これには、機械翻訳、画像分類、オブジェクト検出、音声認識タスクのためのモデル劣化のない大規模なバッチトレーニングが含まれる。
  論文  参考訳（メタデータ） (2020-07-09T23:26:13Z)

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。