Learning for CasADi: Data-driven Models in Numerical Optimization

要約

現実世界の問題は分析的に分析するのが難しい場合が多いですが、ディープ ラーニングはデータから複雑なプロセスをモデル化することに優れています。
CasADi などの既存の最適化フレームワークは、ソルバーのシームレスな使用を促進しますが、学習されたプロセス モデルを数値最適化に統合する際に課題に直面します。
このギャップに対処するために、私たちは Learning for CasADi (L4CasADi) フレームワークを提案します。これにより、PyTorch で学習したモデルと CasADi のシームレスな統合が可能になり、効率的で潜在的にハードウェア アクセラレーションによる数値最適化が可能になります。
L4CasADi の適用可能性は、2 つのチュートリアルの例で実証されます。 まず、乱流が PyTorch モデルで表される、エネルギー効率を高めるために乱流川における魚の軌道を最適化します。
次に、L4CasADi による最適な制御のために、暗黙的なニューラル ラディアンス フィールド環境表現を簡単に活用する方法を示します。
L4CasADi は、例やドキュメントとともに、MIT ライセンスの下で https://github.com/Tim-Salzmann/l4casadi から入手できます。

要約(オリジナル)

While real-world problems are often challenging to analyze analytically, deep learning excels in modeling complex processes from data. Existing optimization frameworks like CasADi facilitate seamless usage of solvers but face challenges when integrating learned process models into numerical optimizations. To address this gap, we present the Learning for CasADi (L4CasADi) framework, enabling the seamless integration of PyTorch-learned models with CasADi for efficient and potentially hardware-accelerated numerical optimization. The applicability of L4CasADi is demonstrated with two tutorial examples: First, we optimize a fish’s trajectory in a turbulent river for energy efficiency where the turbulent flow is represented by a PyTorch model. Second, we demonstrate how an implicit Neural Radiance Field environment representation can be easily leveraged for optimal control with L4CasADi. L4CasADi, along with examples and documentation, is available under MIT license at https://github.com/Tim-Salzmann/l4casadi

arxiv情報

提供元, 利用サービス

arxiv.jp, Google