DADO — Low-Cost Query Strategies for Deep Active Design Optimization

要約

この体験レポートでは、ディープ アクティブ ラーニングを設計最適化の分野に適用して、計算コストのかかる数値シミュレーションの数を削減します。
私たちは、形状が一連のパラメーターによって記述される構造コンポーネントの設計の最適化に興味を持っています。
これらのパラメータに基づいてパフォーマンスを予測し、シミュレーションの有望な候補のみを考慮できれば、計算能力を節約できる大きな可能性があります。
多目的設計の最適化問題における計算コストを削減するための自己最適化のための 2 つの選択戦略を紹介します。
私たちが提案する方法論は、適用が簡単な直観的なアプローチを提供し、ランダム サンプリングに比べて大幅な改善をもたらし、不確実性推定の必要性を回避します。
流体力学の領域からの大規模なデータセットで戦略を評価し、モデルのパフォーマンスを決定するための 2 つの新しい評価指標を導入します。
私たちの評価結果は、設計の最適化を加速する上での選択戦略の有効性を浮き彫りにしています。
紹介した方法は他の自己最適化問題にも簡単に応用できると考えています。

要約(オリジナル)

In this experience report, we apply deep active learning to the field of design optimization to reduce the number of computationally expensive numerical simulations. We are interested in optimizing the design of structural components, where the shape is described by a set of parameters. If we can predict the performance based on these parameters and consider only the promising candidates for simulation, there is an enormous potential for saving computing power. We present two selection strategies for self-optimization to reduce the computational cost in multi-objective design optimization problems. Our proposed methodology provides an intuitive approach that is easy to apply, offers significant improvements over random sampling, and circumvents the need for uncertainty estimation. We evaluate our strategies on a large dataset from the domain of fluid dynamics and introduce two new evaluation metrics to determine the model’s performance. Findings from our evaluation highlights the effectiveness of our selection strategies in accelerating design optimization. We believe that the introduced method is easily transferable to other self-optimization problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google