論文の概要: How the Classical Baseline Shapes Machine-Learning Speed Claims in Topology Optimization

• arxiv url: http://arxiv.org/abs/2610.16051v2
• Date: Sat, 17 Oct 2026 22:13:50 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:15:40.207006
• Title: How the Classical Baseline Shapes Machine-Learning Speed Claims in Topology Optimization
• Title（参考訳）: トポロジ最適化における古典的ベースライン形状のマシン学習速度問題
• Abstract要約: 機械学習の手法は、古典的で学習されていない最適化よりも大きなスピードアップを報告することが多いが、遅い古典的コードや低品質の学習設計はそれらを誇張することができる。 古典的なコードを同じアルゴリズムの効率的な実装に置き換えることで、これらの2つのメソッドのスピードアップを最大20倍に削減した。 一致した剛性では、グラフベースは6次元のすべての問題において古典的なコードよりも遅かった。
• 参考スコア（独自算出の注目度）: 4.906746849209501
• License:
• Abstract: Topology optimization places material in a design domain to optimize a structure's performance, such as its stiffness or heat conduction. Machine-learning methods often report large speed-ups over classical, non-learned optimization, but a slow classical code or a lower-quality learned design can exaggerate them. We re-ran released code for eight methods on one workstation and studied two in depth: Optimize Any Topology (OAT), a diffusion model that generates designs, and a graph-based neural optimizer. Replacing the classical code with an efficient implementation of the same algorithm cut these two methods' speed-ups by up to 20-fold. We then timed the classical code until its design was at least as stiff as the learned one; for OAT, we picked this point after the runs, which gives the classical code its best case. Published timings imply a 134x speed-up for OAT on a 256 x 256 grid; our matched single-design comparisons gave 1.5x to 3.5x. At matched stiffness, the graph-based optimizer was slower than the classical code in all six two-dimensional problems. Of the six other methods, two kept their advantage, one shrank, one reversed, and two were not comparable. In an exploratory audit, language models judged that 8 of 28 speed comparisons in randomly sampled, openly accessible articles lacked evidence of equal design quality; our own review counted 11, so the count depends on who judges. We provide a comparison procedure and a minimum report: classical code, hardware, design quality, what each timing includes, and data-generation and training costs.
• Abstract（参考訳）: トポロジー最適化は材料を設計領域に配置し、その剛性や熱伝導といった構造の性能を最適化する。 機械学習の手法は、古典的で学習されていない最適化よりも大きなスピードアップを報告することが多いが、遅い古典的コードや低品質の学習設計はそれらを誇張することができる。 我々は,1つのワークステーション上で8つのメソッドのコードを再生成し,設計を生成する拡散モデルであるOptimize Any Topology (OAT)とグラフベースのニューラルオプティマイザの2つを深く研究した。 同じアルゴリズムの効率的な実装で古典的なコードを置き換えることで、これらの2つの手法のスピードアップを最大20倍に削減した。 OATでは、実行後にこのポイントを選択しましたが、これは古典的なコードにとって最高のケースです。 公開タイミングは256 x 256グリッド上でのOATの134倍のスピードアップを意味します。 整合性では、グラフベースのオプティマイザは6次元のすべての問題において古典的なコードよりも遅い。 他の6つの方法のうち、2つは優位を保ち、1つは縮小し、1つは逆転し、2つは同等ではなかった。 探索的な監査において、言語モデルは、ランダムにサンプリングされた、オープンにアクセス可能な記事において、28の速度比較のうち8つの速度比較が、同じ設計品質の証拠を欠いていると判断した。 比較手順と最小限のレポート – 古典的コード,ハードウェア,設計品質,各タイミングに含まれるもの,データ生成とトレーニングコスト – を提供する。

関連論文リスト

• Lightning Fast Matching Dependency Discovery with Desbordante [0.0]
  本稿では,HyMDの最適化手法について述べる。 中でも最も重要なものは,1)新しいサンプリング手法,2)より高速な一般化検索手法,3)依存性の表現の改善である。 実験により、平均的な最先端の実装よりも40倍以上のスピードアップが可能であり、場合によっては170倍以上のスピードアップに達することが実証された。
  論文  参考訳（メタデータ） (2026-07-12T13:59:54Z)
• Soft Learning [1.3766156880876856]
  ソフトラーニング(Soft Learning)は、異種専門家のライブラリを維持するフレームワークである。 CPU単独でディープネットワークよりも2桁以上高速にトレーニングする。 タスクの70%にランク付けし、最高の平均ランクを獲得し、分類と回帰の両方で同時に最適化する唯一の方法である。
  論文  参考訳（メタデータ） (2026-05-16T22:14:44Z)
• Learn2Splat: Extending the Horizon of Learned 3DGS Optimization [53.913063313338874]
  補助機構を使わずに地平線上における劣化を回避できる3DGSの学習手法を提案する。 その結果、長い地平線上で安定しながら、新しいビュークオリティを向上し、ゼロショットの一般化により、見当たらないリコンストラクション設定を実現した。
  論文  参考訳（メタデータ） (2026-05-15T09:21:29Z)
• Should AI Optimize Your Code? A Comparative Study of Classical Optimizing Compilers Versus Current Large Language Models [0.0]
  大規模言語モデル(LLM)は、コード最適化に革命をもたらすAIアプローチの可能性に関する興味深い疑問を提起する。 この作業は、コンパイラコミュニティにとって重要な質問に答えることを目的としている。 本稿では3つの古典最適化コンパイラと2つの最近の大規模言語モデルの比較分析を行う。
  論文  参考訳（メタデータ） (2024-06-17T23:26:41Z)
• FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Matching [20.35907245543535]
  非効率な実装と収束が遅いため、既存の微分型画像マッチングの最先端手法は遅い。 ディープラーニング手法は高速な推論を提供するが、広範なトレーニング時間、かなりの推論メモリを必要とし、長い尾の分布や多様な画像モダリティにまたがる一般化に失敗する。 FireANTsはCPU上のANTよりも2.5倍高速で、GPU上では1200倍高速である。
  論文  参考訳（メタデータ） (2024-04-01T17:12:47Z)
• Sophia: A Scalable Stochastic Second-order Optimizer for Language Model Pre-training [74.4610961015775]
  ソフィアは異なる次元のヘテロジニアス曲率に適応することを示す。 より単純化された設定で、ソフィアは異なる次元の不均一曲率に適応することを示す。
  論文  参考訳（メタデータ） (2023-05-23T17:59:21Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• 8-bit Optimizers via Block-wise Quantization [57.25800395197516]
  ステートフルズは、例えば過去の値の指数的滑らかな和(運動量付きSGD)や2乗和(アダム)など、時間の経過とともに統計を維持している。 この状態は、通常の勾配降下よりも最適化を加速するために使用することができるが、そうでなければモデルパラメータに割り当てられる可能性のあるメモリを使用する。 本稿では,32ビットの勾配状態を用いた場合の性能レベルを維持しながら,8ビット統計を用いた第1次勾配法を開発する。
  論文  参考訳（メタデータ） (2021-10-06T15:43:20Z)
• Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
  最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。 この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2021-03-23T20:46:20Z)

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。