抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
衛星レイアウト設計では,熱源レイアウト最適化(HSLO)は,最大温度を低下させ,全体のシステムの熱管理を改善する有効な技術である。最近,深層学習代理支援HSLOが提案され,それは,計算コストを大きく低減するために最適化中のシミュレーションを置換するように,レイアウトから対応する温度場へのマッピングを学習する。しかし,それは2つの主な課題に直面している。1)あるタスクのためのニューラルネットワーク代理は,しばしば複雑であり,豊富なデバッギング経験を必要とし,それは工学分野における設計者にとって挑戦的である。2)HSLOのための既存のアルゴリズムは,単一最適化において近最適解を得るだけであり,局所最適に簡単に捕捉することができた。第1の課題に取り組むために,総パラメータ数を減らし,類似の精度を確実にすることを考慮して,特徴ピラミッドネットワーク(FPN)フレームワークと組み合わせたニューラルアーキテクチャ探索(NAS)法を開発して,HSLOのための小さな深い学習代理モデルを自動的に探索する目的を実現した。第2の課題に取り組むために,マルチモーダル近傍探索ベースのレイアウト最適化アルゴリズム(MNSLO)を提案して,それは単一最適化において同時により良い近似的最適設計方式を得ることができた。最後に,2つの典型的な二次元熱伝導最適化問題を用いて,提案した方法の有効性を実証した。同様の精度で,NASは元のFPNよりも80%少ないパラメータ,64%少ないFLOPおよび36%の速い推論時間を有するモデルを見つける。そのうえ,自動探索による深層学習代理の援助によって,MNSLOは,設計者のためにより多くの設計多様性を提供するために,同時に複数の近最適設計方式を達成することができた。【JST・京大機械翻訳】