A Data Driven Sequential Learning Framework to Accelerate and Optimize Multi-Objective Manufacturing Decisions

要約

タイトル：複数目的の製造決定を加速・最適化するためのデータ駆動型のシーケンシャルラーニングフレームワーク

要約：
– 特定の特性または特性の組み合わせを持つ高度な材料や製品の製造は頻繁に求められます。
– これを実現するには、これらの特性の理想的な組み合わせを作り出す最適なレシピまたは処理条件を見つけることが重要です。
– ほとんどの場合、Paretoフロントを生成するには十分な数の実験が必要ですが、製造実験は通常高価であり、1つの実験を行うだけでも時間がかかることが多いため、プロセスの最適なデータ収集場所を決定することが重要です。
– シーケンシャルラーニングは、進行中の実験から積極的に学習し、基礎となる最適化ルーチンを反復的に更新し、データ収集プロセスを進めていく有望な手法です。
– この論文は、複数の相反する目的を持つ複雑なシステムを効率的に最適化するためにシーケンシャルラーニングを利用したデータ駆動型ベイジアン最適化フレームワークを提案しています。
– さらに、論文は多目的データ駆動最適化アプローチを評価するための新しい指標を提案しています。この指標は、Paretoフロントの品質と生成に使用されたデータの量の両方を考慮しています。
– 提案されたフレームワークは、データ取得が高価でリソースを消費する実用的なアプリケーションに特に有益です。
– 提案されたアルゴリズムと指標の有効性を実証するために、アルゴリズムは製造データセットで評価されました。その結果、提案されたアルゴリズムは実際のParetoフロントを達成しながら、はるかに少ないデータを処理することができます。
– これが意味することは、提案されたデータ駆動型フレームワークが、コストと時間を削減しながら類似した製造決定につながることです。

要約(オリジナル)

Manufacturing advanced materials and products with a specific property or combination of properties is often warranted. To achieve that it is crucial to find out the optimum recipe or processing conditions that can generate the ideal combination of these properties. Most of the time, a sufficient number of experiments are needed to generate a Pareto front. However, manufacturing experiments are usually costly and even conducting a single experiment can be a time-consuming process. So, it’s critical to determine the optimal location for data collection to gain the most comprehensive understanding of the process. Sequential learning is a promising approach to actively learn from the ongoing experiments, iteratively update the underlying optimization routine, and adapt the data collection process on the go. This paper presents a novel data-driven Bayesian optimization framework that utilizes sequential learning to efficiently optimize complex systems with multiple conflicting objectives. Additionally, this paper proposes a novel metric for evaluating multi-objective data-driven optimization approaches. This metric considers both the quality of the Pareto front and the amount of data used to generate it. The proposed framework is particularly beneficial in practical applications where acquiring data can be expensive and resource intensive. To demonstrate the effectiveness of the proposed algorithm and metric, the algorithm is evaluated on a manufacturing dataset. The results indicate that the proposed algorithm can achieve the actual Pareto front while processing significantly less data. It implies that the proposed data-driven framework can lead to similar manufacturing decisions with reduced costs and time.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI