論文の概要: socx: GPU-Accelerated Chance-Constrained Stochastic Optimal Control using JAX

• arxiv url: http://arxiv.org/abs/2610.40427v1
• Date: Thu, 29 Oct 2026 16:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:13:48.21189
• Title: socx: GPU-Accelerated Chance-Constrained Stochastic Optimal Control using JAX
• Title（参考訳）: socx: JAX を使用した GPU アクセラレーションによるチャンス制約付き確率的最適制御
• Abstract要約: 本稿では, JAX で実装された線形最適制御の昇降凸修正のための GPU 加速解法を提案する。 問題のスパース構造と独立構造を利用することで、分散最適化がより単純な問題に還元できることを実証する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this article, we present socx, a GPU-accelerated solver for lifted convex reformulations of linear stochastic optimal control under chance constraints, implemented in JAX. We demonstrate that by exploiting the sparse and independent structure of the problem, distributed optimization can reduce it to simpler problems: independent linear-quadratic tracking (LQT) problems and Euclidean projections onto sets. These simpler problems can be solved in parallel and then coupled using the constraints. To validate our solver, we run it on a hover-linearized 3D quadrotor and show a speed-up of up to $98\times$ over MOSEK and up to $2224\times$ over SCS. socx also solves horizons up to $N=1120$, whereas MOSEK runs out of memory at $N=320$. We present ablations to isolate the key components that enable the speed-up.
• Abstract（参考訳）: 本稿では,確率制約下での線形確率的最適制御の凸修正をGPUで高速化する socx をJAX で実装した。 分散最適化は,問題のスパース構造と独立構造を利用して,より単純な問題,すなわち独立線形四元数追跡(LQT)問題とユークリッド射影(ユークリッド射影)に還元することができることを示した。 これらの単純な問題は並列に解決し、制約を使って結合することができる。 解法を検証するために、ホバーライナー化された3Dクアロータ上で動作し、MOSEK以上で最大980\times$、SCS以上で最大2224\times$のスピードアップを示す。 socxはまた、水平線を$N=1120$まで解決するが、MOSEKは$N=320$でメモリを使い果たしている。 スピードアップを可能にする重要なコンポーネントを分離するためのアブリケーションを提案する。

関連論文リスト

• Convex-SKM-Net: Low-Latency Block Halfspace Corrections for Neural Convex Constraint Satisfaction [5.910446447473465]
  本研究では,凸制約満足層であるConvex-SKM-Netを紹介した。 GPUフレンドリーな行列演算を用いた最小変位ブロック問題に対して、固定深さ2重射影勾配(Dual PGD)を適用する。 我々は予測器と正定モビリティを共同で学習し、補正幾何を適用して客観的品質を向上させる。
  論文  参考訳（メタデータ） (2026-10-28T02:45:00Z)
• Fast LapSum: Exact Differentiable Top-k at Million Scale [10.106073328854459]
  Fast LapSumは、GPUソルバがソート後に線形時間で実行される、正確な予算のソフトトップ$k$プリミティブである。 我々はFast LapSumを、トレーニングループ内で数百万の座標を操作する要求のある2つのアプリケーション上でデモした。
  論文  参考訳（メタデータ） (2026-08-07T07:44:35Z)
• Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
  本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。 提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
  論文  参考訳（メタデータ） (2026-08-03T19:48:24Z)
• Scaling Nonlinear Optimization: Many Problems One GPU [45.58567999526917]
  IPOPTに基づく最初のGPUバッチNLPソルバである textttjaxipm を紹介する。 IPOPTに比べてスループットが32.85倍に向上します。
  論文  参考訳（メタデータ） (2026-06-24T19:34:41Z)
• A Schrödinger Eigenfunction Method for Long-Horizon Stochastic Optimal Control [25.99003754170971]
  高次元最適制御(SOC)は、より長い計画的地平線で困難になる。 勾配ドリフト仮定の下では、$mathcalL$ は純粋に離散スペクトルを持つシュルディンガー作用素 $mathcalS = -+ 数学カルV$ と同値であることが証明される。 提案手法を複数の長軸ベンチマークで評価し,最先端手法と比較して制御精度が向上した。
  論文  参考訳（メタデータ） (2026-03-24T13:15:48Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Nearly Minimax Optimal Regret for Learning Linear Mixture Stochastic Shortest Path [80.60592344361073]
  線形混合遷移カーネルを用いた最短経路(SSP)問題について検討する。 エージェントは繰り返し環境と対話し、累積コストを最小化しながら特定の目標状態に到達する。 既存の作業は、イテレーションコスト関数の厳密な下限や、最適ポリシーに対する期待長の上限を仮定することが多い。
  論文  参考訳（メタデータ） (2024-02-14T07:52:00Z)
• Statistical Inference of Constrained Stochastic Optimization via Sketched Sequential Quadratic Programming [53.63469275932989]
  制約付き非線形最適化問題のオンライン統計的推測を考察する。 これらの問題を解決するために、逐次二次計画法(StoSQP)を適用する。
  論文  参考訳（メタデータ） (2022-05-27T00:34:03Z)
• Solving optimization problems with Blackwell approachability [31.29341288414507]
  Conic Blackwell Algorithm$+$ (CBA$+$) regret minimalr。 CBA$+$はBlackwellのアプローチ性に基づいており、$O(sqrtT)$ regretに達する。 CBA$+$に基づいて、凸凹サドル問題を解くための新しいパラメータフリーアルゴリズムSP-CBA$+$を導入する。
  論文  参考訳（メタデータ） (2022-02-24T18:19:21Z)
• Naive Exploration is Optimal for Online LQR [49.681825576239355]
  最適後悔尺度は$widetildeTheta(sqrtd_mathbfu2 d_mathbfx T)$で、$T$は時間ステップの数、$d_mathbfu$は入力空間の次元、$d_mathbfx$はシステム状態の次元である。 我々の下界は、かつての$mathrmpoly(logT)$-regretアルゴリズムの可能性を排除する。
  論文  参考訳（メタデータ） (2020-01-27T03:44:54Z)

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。