Fugu-MT 論文翻訳(概要): Towards Physically-consistent, Data-driven Models of Convection

論文の概要: Towards Physically-consistent, Data-driven Models of Convection

arxiv url: http://arxiv.org/abs/2002.08525v2
Date: Sat, 18 Apr 2020 00:03:22 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 08:18:21.028591
Title: Towards Physically-consistent, Data-driven Models of Convection
Title（参考訳）: 物理的に一貫性のある対流モデルに向けて
Authors: Tom Beucler, Michael Pritchard, Pierre Gentine, Stephan Rasp
Abstract要約: ニューラルネットワークでは,物理的制約が適用可能であることを示す。さらに、トレーニングと検証データを物理的に再スケールして、ニューラルネットワークが目に見えない気候に一般化する能力を改善することを提案する。
参考スコア（独自算出の注目度）: 0.06882042556551608
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data-driven algorithms, in particular neural networks, can emulate the effect of sub-grid scale processes in coarse-resolution climate models if trained on high-resolution climate simulations. However, they may violate key physical constraints and lack the ability to generalize outside of their training set. Here, we show that physical constraints can be enforced in neural networks, either approximately by adapting the loss function or to within machine precision by adapting the architecture. As these physical constraints are insufficient to guarantee generalizability, we additionally propose to physically rescale the training and validation data to improve the ability of neural networks to generalize to unseen climates.
Abstract（参考訳）: データ駆動アルゴリズム、特にニューラルネットワークは、高分解能気候シミュレーションで訓練された場合、粗分解能気候モデルにおけるサブグリッドスケールプロセスの影響をエミュレートすることができる。しかし、それらは重要な物理的制約に反し、トレーニングセットの外で一般化する能力に欠ける可能性がある。本稿では,ニューラルネットワークにおいて,損失関数の適応によって,あるいはアーキテクチャの適応によって機械精度内で,物理的制約を強制できることを示す。これらの物理的制約は、一般化性を保証するには不十分であるため、トレーニングと検証データを物理的に再スケールして、ニューラルネットワークが目に見えない気候に一般化する能力を改善することも提案する。

関連論文リスト

Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-06-06T10:02:49Z)
Can physical information aid the generalization ability of Neural Networks for hydraulic modeling? [0.0]
河川水理学へのニューラルネットワークの適用は、データ不足に苦しむ分野にもかかわらず、未熟である。本稿では,トレーニングフェーズに物理情報を導入することで,そのような問題を緩和することを提案する。このようなソフトな物理情報を組み込むことで予測能力を向上できることを示す。
論文参考訳（メタデータ） (2024-03-13T14:51:16Z)
Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文参考訳（メタデータ） (2024-02-11T17:40:26Z)
Multi-fidelity physics constrained neural networks for dynamical systems [16.6396704642848]
マルチスケール物理制約ニューラルネットワーク(MSPCNN)を提案する。 MSPCNNは、異なるレベルの忠実度を持つデータを統一された潜在空間に組み込む新しい手法を提供する。従来の手法とは異なり、MSPCNNは予測モデルをトレーニングするために複数の忠実度データを使用する。
論文参考訳（メタデータ） (2024-02-03T05:05:26Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文参考訳（メタデータ） (2022-12-28T18:03:41Z)
Quasi-orthogonality and intrinsic dimensions as measures of learning and generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文参考訳（メタデータ） (2022-03-30T21:47:32Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文参考訳（メタデータ） (2021-10-08T17:03:34Z)
Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文参考訳（メタデータ） (2021-07-07T16:59:14Z)
Understanding and mitigating gradient pathologies in physics-informed neural networks [2.1485350418225244]
この研究は、物理システムの結果を予測し、ノイズの多いデータから隠れた物理を発見するための物理情報ニューラルネットワークの有効性に焦点を当てる。本稿では,モデル学習中の勾配統計を利用して,複合損失関数の異なる項間の相互作用のバランスをとる学習速度アニーリングアルゴリズムを提案する。また、そのような勾配に耐性のある新しいニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-01-13T21:23:49Z)

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。