論文の概要: Generative Evolutionary Design of Voxel-Based Soft Robots with Provable Optimality

• arxiv url: http://arxiv.org/abs/2609.29491v1
• Date: Mon, 24 Aug 2026 11:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.04461
• Title: Generative Evolutionary Design of Voxel-Based Soft Robots with Provable Optimality
• Title（参考訳）: 確率的最適性を有するボクセル型ソフトロボットの創成的進化設計
• Abstract要約: ボクセルベースのソフトロボット(VSR)は、生命のような知性を持つ人工生物を開発する上で有望な道を示す。 ここでは、理論的な保証とともにVSR設計を最適化するために、深層生成モデルによって強化された新しい進化的枠組みであるMISCOを開発する。
• 参考スコア（独自算出の注目度）: 34.92805044331727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Voxel-based soft robots (VSRs) present a promising avenue for developing artificial organisms with lifelike intelligence. However, the vast design spaces and expensive evaluations substantially challenge their design optimization. Here we develop MISCO, a novel evolutionary framework empowered by deep generative models to optimize VSR designs with theoretical guarantees. MISCO integrates an estimation-of-distribution algorithm with a meticulously designed variational autoencoder featuring multi-task learning, position awareness, and inter-voxel signaling. These key components enhance the representational capacity of VSR morphologies and facilitate highly efficient sampling and optimization of morphological distributions. We provide theoretical guarantees for MISCO's asymptotic convergence to globally optimal designs, alongside a favorable convergence rate. Extensive simulated experiments further demonstrate MISCO's exceptional effectiveness in navigating vast design spaces, evolving high-performing VSRs for diverse tasks while flexibly balancing optimization efficiency and morphological diversity. Being validated both empirically and theoretically, MISCO represents a step change towards more scalable and reliable soft robot development.
• Abstract（参考訳）: ボクセルベースのソフトロボット(VSR)は、生命のような知性を持つ人工生物を開発する上で有望な道を示す。 しかし、膨大な設計スペースと高価な評価は、設計の最適化に大きく挑戦した。 ここでは、理論的な保証とともにVSR設計を最適化するために、深層生成モデルによって強化された新しい進化的枠組みであるMISCOを開発する。 MISCOは, マルチタスク学習, 位置認識, ボクセル間信号処理を巧みに設計した変分オートエンコーダと, 分配推定アルゴリズムを統合した。 これらのキーコンポーネントは、VSRモルフォロジーの表現能力を高め、モルフォロジー分布の高効率サンプリングと最適化を容易にする。 我々は、MISCOのグローバル最適設計への漸近収束と好適収束率に関する理論的保証を提供する。 大規模なシミュレーション実験は、MISCOが巨大な設計空間をナビゲートし、様々なタスクに対して高い性能のVSRを進化させ、最適化効率と形態的多様性を柔軟にバランスさせることにおいて、極めて優れた効果を示す。 MISCOは経験的にも理論的にも検証されているため、よりスケーラブルで信頼性の高いソフトロボットの開発に向けた段階的な変化を示している。

関連論文リスト

• QDEvo: A Multi-Objective Quality-Diversity Framework for Automated Heuristic Design [2.942531574809674]
  品質多様性最適化とLLM駆動探索を統合した多目的フレームワークを提案する。 QDEvoはHypervolumeとIn Generational Distanceの両方で最先端の手法を大幅に上回ることを示す。 我々のフレームワークは、高いパフォーマンス、計算効率、セマンティックに多様であるメトリクスの発見を可能にする。
  論文  参考訳（メタデータ） (2026-07-06T07:35:23Z)
• NCO4CVRP: Neural Combinatorial Optimization for the Capacitated Vehicle Routing Problem [0.23560550919269374]
  この研究は、ソリューションの品質と一般化を高めるために既存の推論技術を改善することに焦点を当てている。 推論手法の洗練と検索戦略の強化により,実世界の最適化タスクにおけるNCOモデルの適用性の向上に寄与する。
  論文  参考訳（メタデータ） (2026-04-17T14:28:50Z)
• Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
  EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。 EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。 商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
  論文  参考訳（メタデータ） (2026-03-09T05:13:44Z)
• Socio-cognitive agent-oriented evolutionary algorithm with trust-based optimization [70.49434432747293]
  信頼に基づく最適化(TBO)は、従来の周期的移行を信頼や評価に基づく柔軟なエージェント駆動の相互作用メカニズムに置き換える進化計算における島モデルの新たな拡張である。 実験の結果、TBOは様々な最適化問題において標準島モデル進化アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2025-10-29T01:59:26Z)
• Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
  そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。 キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-04-23T06:29:10Z)
• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• 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)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。