論文の概要: Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems

• arxiv url: http://arxiv.org/abs/2002.05514v1
• Date: Mon, 10 Feb 2020 23:21:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 08:48:36.477331
• Title: Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems
• Title（参考訳）: 大規模・複雑・時空間系のスケーラブルな予測とサブグリッドスケールクロージャのための機械学習と知識ベースモデリングの組み合わせ
• Authors: Alexander Wikner, Jaideep Pathak, Brian Hunt, Michelle Girvan, Troy Arcomano, Istvan Szunyogh, Andrew Pomerance, and Edward Ott
• Abstract要約: 我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
• 参考スコア（独自算出の注目度）: 48.7576911714538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the commonly encountered situation (e.g., in weather forecasting) where the goal is to predict the time evolution of a large, spatiotemporally chaotic dynamical system when we have access to both time series data of previous system states and an imperfect model of the full system dynamics. Specifically, we attempt to utilize machine learning as the essential tool for integrating the use of past data into predictions. In order to facilitate scalability to the common scenario of interest where the spatiotemporally chaotic system is very large and complex, we propose combining two approaches:(i) a parallel machine learning prediction scheme; and (ii) a hybrid technique, for a composite prediction system composed of a knowledge-based component and a machine-learning-based component. We demonstrate that not only can this method combining (i) and (ii) be scaled to give excellent performance for very large systems, but also that the length of time series data needed to train our multiple, parallel machine learning components is dramatically less than that necessary without parallelization. Furthermore, considering cases where computational realization of the knowledge-based component does not resolve subgrid-scale processes, our scheme is able to use training data to incorporate the effect of the unresolved short-scale dynamics upon the resolved longer-scale dynamics ("subgrid-scale closure").
• Abstract（参考訳）: 従来のシステム状態の時系列データとシステム全体のダイナミクスの不完全なモデルの両方にアクセスできる場合、大きな時空間的カオス力学系の時間発展を予測することを目標とする、一般的に遭遇する状況(例えば天気予報)を考える。 具体的には,過去のデータを予測に組み込むために必要なツールとして,機械学習を活用する。 時空間カオスシステムが非常に大きく複雑である共通シナリオへのスケーラビリティ向上のために,我々は2つのアプローチを組み合わせることを提案する。 i) 並列機械学習予測方式,及び (ii)知識ベースコンポーネントと機械学習ベースのコンポーネントからなる複合予測システムのためのハイブリッド手法。 私たちはこの方法を組み合わせるだけでなく (i)および (ii) 非常に大規模なシステムに優れた性能を与えるためにスケールさせると同時に、並列機械学習コンポーネントを並列化せずにトレーニングするために必要な時系列データの長さが、並列化なしで必要なものよりも劇的に小さくなることも示している。 さらに,知識ベースコンポーネントの計算的実現がサブグリッドスケールプロセスの解決を行なわない場合を考えると,未解決の短スケールダイナミクスが解決された長スケールダイナミックス(「サブグリッドスケール閉鎖」)に与える影響をトレーニングデータに組み込むことができる。

関連論文リスト

• Reconstructing dynamics from sparse observations with no training on target system [0.0]
  提案するハイブリッド機械学習フレームワークのパワーは,多くの原型非線形力学系を用いて実証された。 このフレームワークは、トレーニングデータが存在しない極端な状況において、複雑で非線形なダイナミクスを再構築するパラダイムを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:05:04Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• A Meta-learning Approach to Reservoir Computing: Time Series Prediction with Limited Data [0.0]
  本研究では,実験プロセスから適切なモデル構造を自動的に抽出するデータ駆動型手法を提案する。 簡単なベンチマーク問題に対して,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-10-07T18:23:14Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Multiscale Simulations of Complex Systems by Learning their Effective Dynamics [10.52078600986485]
  本稿では,大規模シミュレーションをブリッジし,注文モデルを削減し,実効ダイナミクスを学習するシステムフレームワークを提案する。 LEDは複雑なシステムの正確な予測に新しい強力なモダリティを提供する。 LEDは化学から流体力学に至るまでのシステムに適用でき、計算の労力を最大2桁まで削減できる。
  論文  参考訳（メタデータ） (2020-06-24T02:35:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。