論文の概要: A Comparative Study of Machine Learning Models for Predicting the State
of Reactive Mixing
- arxiv url: http://arxiv.org/abs/2002.11511v1
- Date: Mon, 24 Feb 2020 22:50:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 03:46:52.929608
- Title: A Comparative Study of Machine Learning Models for Predicting the State
of Reactive Mixing
- Title(参考訳): 反応混合状態予測のための機械学習モデルの比較研究
- Authors: B. Ahmmed, M. K. Mudunuru, S. Karra, S. C. James, and V. V. Vesselinov
- Abstract要約: 反応混合の正確な予測は多くの地球および環境科学問題にとって重要である。
高速で可逆な二分子反応拡散のシナリオを解決するために,高忠実な有限要素法に基づく数値モデルを構築した。
モデル入力パラメータの異なるセットを用いて2,315のシミュレーションを行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate predictions of reactive mixing are critical for many Earth and
environmental science problems. To investigate mixing dynamics over time under
different scenarios, a high-fidelity, finite-element-based numerical model is
built to solve the fast, irreversible bimolecular reaction-diffusion equations
to simulate a range of reactive-mixing scenarios. A total of 2,315 simulations
are performed using different sets of model input parameters comprising various
spatial scales of vortex structures in the velocity field, time-scales
associated with velocity oscillations, the perturbation parameter for the
vortex-based velocity, anisotropic dispersion contrast, and molecular
diffusion. Outputs comprise concentration profiles of the reactants and
products. The inputs and outputs of these simulations are concatenated into
feature and label matrices, respectively, to train 20 different machine
learning (ML) emulators to approximate system behavior. The 20 ML emulators
based on linear methods, Bayesian methods, ensemble learning methods, and
multilayer perceptron (MLP), are compared to assess these models. The ML
emulators are specifically trained to classify the state of mixing and predict
three quantities of interest (QoIs) characterizing species production, decay,
and degree of mixing. Linear classifiers and regressors fail to reproduce the
QoIs; however, ensemble methods (classifiers and regressors) and the MLP
accurately classify the state of reactive mixing and the QoIs. Among ensemble
methods, random forest and decision-tree-based AdaBoost faithfully predict the
QoIs. At run time, trained ML emulators are $\approx10^5$ times faster than the
high-fidelity numerical simulations. Speed and accuracy of the ensemble and MLP
models facilitate uncertainty quantification, which usually requires 1,000s of
model run, to estimate the uncertainty bounds on the QoIs.
- Abstract(参考訳): 反応混合の正確な予測は多くの地球および環境科学問題にとって重要である。
異なるシナリオ下での時間的混合を研究するため、高速で可逆な二分子反応拡散方程式を解くために、高忠実有限要素に基づく数値モデルを構築し、様々な反応混合シナリオをシミュレートする。
速度場の渦構造の様々な空間的スケール、速度振動に関連する時間スケール、渦に基づく速度の摂動パラメータ、異方性分散コントラスト、分子拡散を含む様々なモデル入力パラメータを用いて、合計2,315のシミュレーションを行った。
出力は反応物および生成物の濃度プロファイルを含む。
これらのシミュレーションの入力と出力はそれぞれ特徴行列とラベル行列に結合し、20種類の機械学習エミュレータを訓練してシステムの挙動を近似させる。
線形法,ベイズ法,アンサンブル学習法,多層パーセプトロン(MLP)に基づく20個のMLエミュレータを比較し,これらのモデルを評価する。
MLエミュレータは、種の生成、崩壊、混合度を特徴付ける3種類の興味(QoIs)の混合状態の分類と予測を特別に訓練されている。
線形分類器と回帰器はQoIsを再現できないが、アンサンブル法(分類器と回帰器)とMLPは反応混合状態とQoIsを正確に分類する。
アンサンブル法のうち、ランダム森林と決定木に基づくAdaBoostはQoIを忠実に予測する。
実行時、トレーニングされたmlエミュレータは、高忠実度数値シミュレーションよりも約10^5$高速である。
アンサンブルモデルとMLPモデルの速度と精度は、QoIs上の不確実性境界を推定するために、通常1000回のモデル実行を必要とする不確実性定量化を促進する。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-08T23:44:54Z) - Uncertainty-biased molecular dynamics for learning uniformly accurate
interatomic potentials [20.574068788623798]
アクティブラーニング(AL)は、バイアスドまたはアンバイアスド分子動力学(MD)シミュレーションを用いて候補プールを生成する。
提案する不確実性駆動型AL手法を用いて,2つのベンチマークシステムのための機械学習型原子間ポテンシャル(MLIP)を開発する。
提案したデータ生成法で訓練されたMLIPは、両方の原子系の関連する構成空間をより正確に表現する。
論文 参考訳(メタデータ) (2023-12-03T14:39:14Z) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳(メタデータ) (2021-09-07T20:01:22Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Numerical simulation, clustering and prediction of multi-component
polymer precipitation [0.7349727826230861]
多成分ポリマー系は、有機太陽電池およびドラッグデリバリー用途に関心がある。
我々は、ポリマーの沈殿をシミュレートするために、改良されたカーン・ヒリアードモデルを用いる。
計算コストを削減するため、シミュレーションしたポリマーブレンド画像のクラスタリングとそれに伴う予測に機械学習技術を適用した。
論文 参考訳(メタデータ) (2020-07-10T09:10:17Z)
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。