Advances to modeling and solving infinite-dimensional optimization problems in InfiniteOpt.jl
Notice bibliographique
Résumé
This paper details two extensions for the unifying abstraction behind InfiniteOpt.jl : infinite-dimensional generalized disjunctive programming (InfiniteGDP) and GPU-compatible direct transcription solution techniques with an abstraction called InfiniteSIMD-NLP. InfiniteOpt.jl is a Julia package that provides an efficient framework for formulating and solving a wide range of infinite-dimensional optimization (InfiniteOpt) problems. The InfiniteGDP abstraction builds upon traditional GDP techniques to enable intuitive modeling of discrete events and complex logic over continuous domains (e.g., position, time, and/or uncertainty); this abstraction is implemented in InfiniteDisjunctiveProgramming.jl . Moreover, the InfiniteSIMD-NLP abstraction, implemented in InfiniteExaModels.jl , exploits the recurrent structure of transcribed InfiniteOpt problems to efficiently discretize, differentiate, and solve such problems on high performance CPU and GPU architectures. We use a diverse set of case studies in dynamic, PDE-constrained, and stochastic optimization to demonstrate the relative merits of these abstraction extensions. The results demonstrate the utility of the InfiniteGDP abstraction to model continuous space–time switching constraints and how the InfiniteSIMD-NLP abstraction is able to accelerate the solution of InfiniteOpt problems by one to two orders-of-magnitude relative to existing state-of-the-art approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».