Surrogate-based optimization of system architectures subject to hidden constraints

要約

新しいアーキテクチャの調査には、事前の経験が不足しているため、物理学ベースのシミュレーションが必要です。これは、最適化アルゴリズムの2つの特定の課題を導入します。評価はより高価になり（時間内に）失敗する可能性があります。
前者の課題は、代理ベースの最適化（SBO）アルゴリズム、特にガウスプロセス（GP）モデルを使用したベイズ最適化（BO）によって対処されます。
BOが設計変数階層や複数の目的などのアーキテクチャの最適化に固有の課題に対処する方法の概要を説明しています。特定の測定には、アンサンブルフィルと階層サンプリングアルゴリズムが含まれます。
基礎となるソルバーの不変性や、設計スペースの特定の領域での実行不可能なジオメトリのために評価が失敗する可能性があります。
隠された制約としても知られているこのような失敗した評価は、サロゲートモデルを空の結果でトレーニングできないため、SBO/BOに特定の課題をもたらします。
この作業は、BOアルゴリズムの隠された制約を満たすためのさまざまな戦略を調査しています。
3つの高レベルの戦略が特定されています。トレーニングセットから失敗したポイントの拒否、実行可能な（非故障）ポイントに基づいて失敗したポイントを置き換え、失敗領域の予測です。
ジェットエンジンアーキテクチャの最適化問題を含む一連のテスト問題に関する調査を通じて、生存率（POV）の確率を予測するために、混合ちらつきGPで最高のパフォーマンスが達成され、選択されたインフィルポイントが最小POVのしきい値を満たすことを保証することが示されています。
この戦略は、50％の故障率で機能し、以前はBOアルゴリズムでは解決できなかったジェットエンジンアーキテクチャの問題を解決することによって実証されています。
開発されたBOアルゴリズムと使用されたテストの問題は、オープンソースPythonライブラリSbarchoptで利用できます。

要約(オリジナル)

The exploration of novel architectures requires physics-based simulation due to a lack of prior experience to start from, which introduces two specific challenges for optimization algorithms: evaluations become more expensive (in time) and evaluations might fail. The former challenge is addressed by Surrogate-Based Optimization (SBO) algorithms, in particular Bayesian Optimization (BO) using Gaussian Process (GP) models. An overview is provided of how BO can deal with challenges specific to architecture optimization, such as design variable hierarchy and multiple objectives: specific measures include ensemble infills and a hierarchical sampling algorithm. Evaluations might fail due to non-convergence of underlying solvers or infeasible geometry in certain areas of the design space. Such failed evaluations, also known as hidden constraints, pose a particular challenge to SBO/BO, as the surrogate model cannot be trained on empty results. This work investigates various strategies for satisfying hidden constraints in BO algorithms. Three high-level strategies are identified: rejection of failed points from the training set, replacing failed points based on viable (non-failed) points, and predicting the failure region. Through investigations on a set of test problems including a jet engine architecture optimization problem, it is shown that best performance is achieved with a mixed-discrete GP to predict the Probability of Viability (PoV), and by ensuring selected infill points satisfy some minimum PoV threshold. This strategy is demonstrated by solving a jet engine architecture problem that features at 50% failure rate and could not previously be solved by a BO algorithm. The developed BO algorithm and used test problems are available in the open-source Python library SBArchOpt.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google