論文の概要: Physically Interpretable Basin Selection in Discrete-Variable Origami Design
- arxiv url: http://arxiv.org/abs/2611.17196v1
- Date: Thu, 12 Nov 2026 17:59:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.580008
- Title: Physically Interpretable Basin Selection in Discrete-Variable Origami Design
- Title(参考訳): 離散可変折り紙設計における物理的に解釈可能な盆地選択
- Abstract要約: 勾配に基づく設計は、大きな離散化ギャップを持つ盆地に落ち着く。
驚くほど単純な修正で、ギャップを緩和できることがわかりました。
- 参考スコア(独自算出の注目度): 2.0149253836537673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic differentiation has enabled rapid progress on continuous-variable mechanical design problems, but gradient-based optimization still struggles with discrete variables. The standard approach is to optimize using a continuous relaxation of the choices, then commit to the nearest discrete design at the end. Why this procedure selects unfavorable basins is poorly understood. Here, we introduce a practical, interpretable design problem inspired by origami, in which automatic differentiation is used to design shapes with a target functional behavior. Each origami sheet has a fixed geometry, and a bilevel optimization framework tunes which one of four discrete hinge types to place at each fold. Baseline gradient-based design settles into basins with a large discretization gap: relaxed optimization solves 97% of runs, but the final, discrete solutions succeed only half the time. We find that the gap can be relieved with a surprisingly simple modification. An initialization prior uniformly biased toward the stiff, flat hinge option boosts the final solve fraction from 49% to 69%. Applying the prior adds no additional compute and leaves the optimization process unchanged. Compared to the baseline, sheets produced with the prior have greater geometric compatibility and mechanical stiffness. Directly penalizing frustration and floppiness in the outer loss function produces an even greater improvement than the prior does, raising the solve fraction to 78% and indicating that these properties help distinguish the unfavorable basins. Our results demonstrate that loss landscapes for mechanical design can have physically meaningful basins that are not robust to discretization and cause solves to fail. Targeting these basins' physical signatures, even with just an initialization bias, helps avoid them.
- Abstract(参考訳): 自動微分は連続変数の機械設計問題の急速な進歩を可能にしたが、勾配に基づく最適化は依然として離散変数に苦戦している。
標準的なアプローチは、選択を継続的に緩和して最適化し、最後に最も近い個別の設計にコミットする。
なぜこの手順が好ましくない盆地を選択するのかはよく分かっていない。
本稿では, オリガミに触発された実用的, 解釈可能な設計問題について紹介する。
各折り紙シートは固定幾何であり、各折りに4つの個別ヒンジタイプのうちの1つをチューニングする二段階最適化フレームワークである。
線形勾配に基づく設計は、大きな離散化ギャップを持つ盆地に落ち着く: 緩和された最適化は97%のランを解決するが、最終的な離散解は半分しか成功しない。
驚くほど単純な修正で、ギャップを緩和できることがわかりました。
固く平らなヒンジオプションに偏った初期化は、最終解分率を49%から69%に引き上げる。
前もって適用しても追加の計算は不要で、最適化プロセスは変更されない。
ベースラインと比較すると、前者が製造したシートは幾何整合性が高く、機械的な剛性がある。
外部損失関数におけるフラストレーションと浮力の直接的ペナル化は, 従来よりもさらに改善し, 解分率を78%に引き上げ, これらの性質が不利な盆地の識別に有効であることが示唆された。
以上の結果から, 機械設計における損失景観は, 離散化に頑健で, 解決に失敗する原因となる物理的に意味のある流域を持つことが示唆された。
これらの盆地の物理的シグネチャを狙うことは、初期化バイアスがあるだけで、それらを避けるのに役立つ。
関連論文リスト
- Axiomatic On-Manifold Shapley via Optimal Generative Flows [9.595059073171269]
シェープベースの属性はポストホックなXAIにとって重要であるが、ベースラインのためにオフマニフォールドのアーティファクトに悩まされている。
最適生成フローによって駆動されるオンマンフォールドAumann-Shapley属性の形式理論を提案する。
論文 参考訳(メタデータ) (2026-03-05T12:05:20Z) - Transform-Augmented GRPO Improves Pass@k [50.3707071191733]
グループ相対政策最適化(GRPO)は推論を改善するために設計されたが、2つの障害モードによって状況が悪化する。
本稿では,各質問に対して意味論的に等価な変換変種を生成するTA-GRPO(Transform-Augmented GRPO)を提案する。
このプール化された計算は、元の質問が簡単すぎるか難しすぎる場合でも、混合報酬を保証する一方、多様なフレーズのトレーニングは、複数のソリューション戦略を促進する。
論文 参考訳(メタデータ) (2026-01-30T02:43:29Z) - Closed-Form Last Layer Optimization [72.49151473937319]
正方形損失の下では、線形最終層重みに対する最適解は閉形式で知られている。
これは、バックボーン上の勾配降下ステップと最終層上のクローズドフォーム更新の交互に行われることを示す。
論文 参考訳(メタデータ) (2025-10-06T09:14:39Z) - Generalizing Stochastic Smoothing for Differentiation and Gradient Estimation [59.86921150579892]
アルゴリズム,演算子,シミュレータ,その他の微分不可能関数の微分可能緩和に対する勾配推定の問題に対処する。
我々は、微分可能なソートとランキングのための分散化戦略、グラフ上の微分可能なショートパス、ポーズ推定のための微分可能なレンダリング、および微分可能なCryo-ETシミュレーションを開発する。
論文 参考訳(メタデータ) (2024-10-10T17:10:00Z) - Newton Meets Marchenko-Pastur: Massively Parallel Second-Order Optimization with Hessian Sketching and Debiasing [45.475515050909706]
我々は,作業者間のコミュニケーションが制限されるような,凸関数を極めて並列に最小化する問題を考える。
本稿では、中央ノード(サーバ)がニュートン法を効果的に実行し、その高コストをオフロードする手法を提案する。
提案手法では, 適応的スケッチ手法を用いて, 作業者は独立に粗いが, 低バイアスで逆ヘッセン推定を行う。
論文 参考訳(メタデータ) (2024-10-02T09:38:04Z) - Learning to Rasterize Differentiably [10.790255179159459]
微分可能化は、画素から下層の三角形へのフローを可能にすることにより、プリミティブ化の標準的な定式化を変える。
これまでの研究は、軟化のいくつかの組み合わせを分析し、比較してきた。
本研究では, ソフト化操作を選択する代わりに, 一般的なソフト化操作の連続空間をパラメータ化する。
論文 参考訳(メタデータ) (2022-11-23T22:28:29Z) - Gradient Backpropagation Through Combinatorial Algorithms: Identity with
Projection Works [20.324159725851235]
ゼロあるいは未定義の解法に対する意味のある置き換えは、効果的な勾配に基づく学習に不可欠である。
本稿では, 離散解空間の幾何学を応用して, 後方パス上の負の同一性として処理する原理的手法を提案する。
論文 参考訳(メタデータ) (2022-05-30T16:17:09Z) - Smooth over-parameterized solvers for non-smooth structured optimization [3.756550107432323]
非滑らか性 (non-smoothness) は、空間性、群空間性、低ランクエッジ、鋭いエッジなどの解の構造的制約を符号化する。
我々は、基礎となる非滑らかな最適化問題の非重み付きだが滑らかな過度パラメータ化を運用する。
我々の主な貢献は変数の一部を明示的に最小化することで新しい定式化を定義する変数射影(VarPro)を適用することです。
論文 参考訳(メタデータ) (2022-05-03T09:23:07Z) - Distributed Sketching for Randomized Optimization: Exact
Characterization, Concentration and Lower Bounds [54.51566432934556]
我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。
ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
論文 参考訳(メタデータ) (2022-03-18T05:49:13Z) - Divide and Learn: A Divide and Conquer Approach for Predict+Optimize [50.03608569227359]
予測+最適化問題は、予測係数を使用する最適化プロブレムと、確率係数の機械学習を組み合わせる。
本稿では, 予測係数を1次線形関数として, 最適化問題の損失を直接表現する方法を示す。
本稿では,この制約を伴わずに最適化問題に対処し,最適化損失を用いてその係数を予測する新しい分割アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-04T00:26:56Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳(メタデータ) (2020-06-16T13:41:54Z)
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。