86,656 research outputs found
Domain-Aware Active Learning for Multifidelity Optimization
No full textBayesian optimization is a popular strategy for the optimization of black-box objective functions [1]. In many engineering applications, the objective can be evaluated with multiple representations at different levels of fidelity, to enhance a trade-off between cost and accuracy. Accordingly, multifidelity methods have been proposed in a Bayesian framework to efficiently combine information sources, using low-fidelity models to enable the exploration of design alternatives, and improve the accuracy of the solution through limited high-fidelity evaluations [2]. Most multifidelity methods based on active learning search the optimal design considering only the information extracted from the surrogate model. This can preclude the evaluation of promising design configurations that can be captured only including the knowledge of the particular physical phenomena involved [3]. To address this issue, this presentation discusses original domain-aware multifidelity Bayesian frameworks to accelerate design analysis and optimization performances. In particular, our strategy comes with an active learning scheme to adaptively sample the design space, combining statistical data from the surrogate model with physical information from the specific domain. Our formulation introduces physics-informed utility functions as additional contributions to the acquisition functions. This permits to enhance the active learning with a physicsbased insight and to realize a form of domain awareness which is beneficial to the efficiency and accuracy of the optimization task. The presentation will discuss several applications and implementations of the proposed approach for single discipline and multidisciplinary aerospace design optimization problems.
[1] Snoek, J., Larochelle, H.. Adams, R.P. Practical bayesian optimization of machine learning algorithms. Advances in neural information processing systems. (2012) 25.
[2] Peherstorfer, B., Willcox, K., Gunzburger, M. Survey of multifidelity methods in uncertainty propagation, inference, and optimization. Siam Review (2018) 60(3): 550–591.
[3] Di Fiore, F., Maggiore, P. Mainini L. Multifidelity domain-aware learning for the design of re-entry vehicles. Structural and Multidisciplinary Optimization (2021
Due architetture di pietra
No full textIn occasione della “Decima Mostra Internazionale di Architettura della Biennale di Venezia 2006, Mostra Città di Pietra – Progetto Sud”, il gruppo guidato da G. Mainini e composto da F. Rispoli, V. Fraticelli, A. De Luca, F. Viola, F. Bruni, A. D’Agostino, A. Andriello, S. Avvedimento, R. Di Vaio, A. Forino, M. T. Giammetti e V. Tenore, ha presentato due progetti: il primo, sul tema Pantelleria: il porto turistico, selezionato e pubblicato in catalogo; il secondo, sul tema Crotone, il fronte a mare sul porto, selezionato, pubblicato in catalogo ed esposto. Il saggio presenta siti, temi e regole costitutive dei due progetti ed è stato redatto in stretta collaborazione tra gli autori. G. Mainini ha provveduto alla stesura materiale del paragrafo su Pantelleria, F. Rispoli di quello su Crotone e F. Viola alla premessa, alla conclusione ed alla cura della redazione. A Pantelleria il progetto ha assunto il tema di dare una struttura al margine del porto nuovo a partire dal chiarimento delle relazioni costitutive dell’antico centro, in cui le originarie tipologie rurali dei dammusi avevano già trovato, nel tempo, una loro diversa condizione, più chiaramente urbana. A partire da questa matrice il progetto ha ricercato una dimensione conforme a quella degli isolati del centro antico. Nella copertura alla logica costruttiva dell’intradosso dei singoli elementi fa riscontro la messa in forma dell’estradosso che riunisce, in un secondo suolo, quella che altrimenti sarebbe una mera sommatoria di interventi. Questo strato, vera e propria doppia copertura, è corroso da fori e patii che, come pozzi d’ombra, memoria dei giardini arabi, offrono all’ospite il gradito ristoro del fresco. Il fronte verso mare manifesta un’articolazione apparentemente casuale che nell’individualità dei singoli interventi e nel loro costituirsi in una serie di variazioni sul tema mostra in filigrana una latente regola di formazione nel tempo. A Crotone il progetto ha assunto come propri due temi: l’arsenale, che con le sue gallerie unisce mare a mare nelle due anse opposte del porto; e la bascula, che dal suolo urbano si solleva risolvendo il dislivello tra città e molo in un unico edificio piazza, imprimendo in tal modo, una sorta di bradisisma alla tettonica del primo tema. Il progetto ha cercato di dare ordine ai lasciti casuali accumulatisi nel tempo sul fronte del porto tra il mare ed il Castello, cui rende silenziosamente omaggio, riducendo il costruito ad una dimensione semi-ipogea sotto il piano della piazza. Con il Castello, tuttavia, si confronta con la dimensione e la potenza di un gesto tettonico che risolve in un’unica piazza più spazi, la strada, il molo, le due anse del porto, e più quote quella della città e quella del molo. In copertura, alla logica costruttiva dell’intradosso del piano piazza fa riscontro la giacitura unica dell’estradosso che riunisce, attraverso un secondo suolo, quella che altrimenti risulterebbe una giustapposizione di varie scritture, corrodendosi per rivelare gli spazi sottostanti. Dal punto di vista tettonico il progetto si sviluppa da un principio di fondazione specifica, l’arsenale, come preesistenza virtuale. Dal punto di vista della intenzionalità di progetto, invece, esso è l’esito di un percorso inverso, da un lavoro di scavo nella pietra che rivela lo spessore della grande massa. Anche qui, perciò, è in opera un’ambiguità nella sequenza tra le scritture del suolo appartenenti all’artificio ed alla preesistenza: con una doppia sospensione, quella spaziale, del grande oggetto che emerge/affonda nel suolo, e quella temporale, che investe l’antecedenza tra il lavoro di costruzione e quello di scavo
DOMAIN-AWARE MULTIFIDELITY LEARNING FOR DESIGN OPTIMIZATION
No full textAccurate physics-based models are essential to the design and optimization of engineering systems, to compute key performance indicators associated with alternative design solutions. The implementation of high-fidelity models in simulation-based design optimization poses significant challenges due to the relevant computational cost frequently associated with their execution. However, real world engineering systems can rely on the availability of multiple models or approximations of their physics, representations characterized by different computational complexity and accuracy. Those alternative models can be cheaper to evaluate and can thus be exploited to enhance the efficiency of the optimization task. Multifidelity methods allow to combine multiple sources of information at different levels of fidelity, potentially exploiting the affordability of low fidelity evaluations to massively explore the design space, then enriching the accuracy through a reduced number of high-fidelity queries [1]. Many multifidelity optimization methods combine data from multiple models into a probabilistic surrogate, frequently delaying the identification of promising design alternatives that could rather be more efficiently captured if domain specific expertise were also used to inform the search [2]. To address this challenge, we present original domain-aware multifidelity frameworks to accelerate design optimization and improve the quality of the solution. In particular, our strategy is based on an active learning scheme that combines data-driven and physics-informed utility functions, to include the expert knowledge about the specific physical phenomena during the search for the optimal design. This allows to tailor the selection of the physical model to evaluate and increase the efficiency of the learning process, using at best a limited amount of high-fidelity data to sensitively improve the design solution. We discuss several applications of the proposed framework for aerospace design optimization problems, considering atmospheric flight at low and high altitudes for both aeronautics and space applications.
[1] Peherstorfer, B., Willcox, K., Gunzburger, M. Survey of multifidelity methods in uncertainty propagation, inference, and optimization. Siam Review (2018) 60(3): 550–591.
[2] Di Fiore, F., Maggiore, P. Mainini L. Multifidelity domain-aware learning for the design of re-entry vehicles. Structural and Multidisciplinary Optimization (2021) 64: 3017–303
Physics-aware multifidelity Bayesian optimization: A generalized formulation
No full textThe adoption of high-fidelity models for many-query optimization problems is majorly limited by the significant computational cost required for their evaluation at every query. Multifidelity Bayesian methods (MFBO) allow to include costly high-fidelity responses for a sub-selection of queries only, and use fast lower-fidelity models to accelerate the optimization process. State-of-the-art methods rely on a purely data-driven search and do not include explicit information about the physical context. This paper acknowledges that prior knowledge about the physical domains of engineering problems can be leveraged to accelerate these data-driven searches, and proposes a generalized formulation for MFBO to embed a form of domain awareness during the optimization procedure. In particular, we formalize a bias as a multifidelity acquisition function that captures the physical structure of the domain. This permits to partially alleviate the data-driven search from learning the domain properties on-the-fly, and sensitively enhances the management of multiple sources of information. The method allows to efficiently include high-fidelity simulations to guide the optimization search while containing the overall computational expense. Our physics-aware multifidelity Bayesian optimization is presented and illustrated for two classes of optimization problems frequently met in science and engineering, namely design optimization and health monitoring problems
Due architetture di Pietra
No full textIn occasione della “Decima Mostra Internazionale di Architettura della Biennale di Venezia 2006, Mostra Città di Pietra – Progetto Sud”, il gruppo di cui ho fatto parte ha presentato due progetti: il primo, sul tema Pantelleria: il porto turistico, selezionato e pubblicato in catalogo; il secondo, sul tema Crotone, il fronte a mare sul porto, selezionato, pubblicato in catalogo ed esposto. Il saggio presenta siti, temi e regole costitutive dei due progetti ed è stato redatto in stretta collaborazione tra gli autori. G. Mainini ha provveduto alla stesura materiale del paragrafo su Pantelleria, F. Rispoli di quello su Crotone e F. Viola alla premessa, alla conclusione ed alla cura della redazione. A Pantelleria il progetto ha assunto il tema di dare una struttura al margine del porto nuovo a partire dal chiarimento delle relazioni costitutive dell’antico centro, in cui le originarie tipologie rurali dei dammusi avevano già trovato, nel tempo, una loro diversa condizione, più chiaramente urbana. A partire da questa matrice il progetto ha ricercato una dimensione conforme a quella degli isolati del centro antico. Nella copertura alla logica costruttiva dell’intradosso dei singoli elementi fa riscontro la messa in forma dell’estradosso che riunisce, in un secondo suolo, quella che altrimenti sarebbe una mera sommatoria di interventi. Questo strato, vera e propria doppia copertura, è corroso da fori e patii che, come pozzi d’ombra, memoria dei giardini arabi, offrono all’ospite il gradito ristoro del fresco. Il fronte verso mare manifesta un’articolazione apparentemente casuale che nell’individualità dei singoli interventi e nel loro costituirsi in una serie di variazioni sul tema mostra in filigrana una latente regola di formazione nel tempo
Newton’s second law as limit of variational problems
No full textWe show that the solution of Cauchy problem for the classical ODE my′′= f can be obtained as the limit of minimizers of exponentially weighted convex variational integrals. This complements the known results about weighted inertia-energy approach to Lagrangian mechanics and hyperbolic equations
Weak lensing peak count as a probe of f(R) theories
No full textWeak gravitational lensing by galaxy clusters on faint higher redshift galaxies has been traditionally used to study the cluster mass distribution and as a tool to identify clusters as peaks in the shear maps. However, it becomes soon clear that peak statistics can also be used as a way to constrain the underlying cosmological model due to its dependence on both the cosmic expansion rate and the growth rate of structures. This feature makes peak statistics particularly interesting from the point of view of discriminating between General Relativity and modified gravity. Here we consider a general class of f(R) theories and compute the observable mass function based on the aperture mass statistics. We complement our theoretical analysis with a Fisher matrix forecast of the constraints that an Euclid-like survey can impose on the f(R) model parameters. We show that peak statistics alone can in principle discriminate between General Relativity and f(R) models and strongly constrain the f(R) parameters that are sensitive to the non-linear growth of structure. However, further analysis is needed in order to include possible selection function in the peaks redshift determination
Riqualificazione di 4 sagrati a Sulmona
No full textLa richiesta del bando di progetti per 4 aree separate è stata trasformata in un progetto di respiro urban
Euler's optimal profile problem
No full textWe study an old variational problem formulated by Euler as Proposition 53 of his Scientia Navalis by means of the direct method of the calculus of variations. Precisely, through relaxation arguments, we prove the existence of minimizers. We fully investigate the analytical structure of the minimizers in dependence of the geometric parameters and we identify the ranges of uniqueness and non-uniqueness
Active Learning and Bayesian Optimization: A Unified Perspective to Learn with a Goal
No full textScience and Engineering applications are typically associated with expensive optimization problem to identify optimal design solutions and states of the system of interest. Bayesian optimization and active learning compute surrogate models through efficient adaptive sampling schemes to assist and accelerate this search task toward a given optimization goal. Both those methodologies are driven by specific infill/learning criteria which quantify the utility with respect to the set goal of evaluating the objective function for unknown combinations of optimization variables. While the two fields have seen an exponential growth in popularity in the past decades, their dualism and synergy have received relatively little attention to date. This paper discusses and formalizes the synergy between Bayesian optimization and active learning as symbiotic adaptive sampling methodologies driven by common principles. In particular, we demonstrate this unified perspective through the formalization of the analogy between the Bayesian infill criteria and active learning criteria as driving principles of both the goal-driven procedures. To support our original perspective, we propose a general classification of adaptive sampling techniques to highlight similarities and differences between the vast families of adaptive sampling, active learning, and Bayesian optimization. Accordingly, the synergy is demonstrated mapping the Bayesian infill criteria with the active learning criteria, and is formalized for searches informed by both a single information source and multiple levels of fidelity. In addition, we provide guidelines to apply those learning criteria investigating the performance of different Bayesian schemes for a variety of benchmark problems to highlight benefits and limitations over mathematical properties that characterize real-world applications
- …
