論文の概要: Hybrid modeling: Applications in real-time diagnosis
- arxiv url: http://arxiv.org/abs/2003.02671v1
- Date: Wed, 4 Mar 2020 00:44:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 13:09:45.065913
- Title: Hybrid modeling: Applications in real-time diagnosis
- Title(参考訳): ハイブリッドモデリング:リアルタイム診断への応用
- Authors: Ion Matei, Johan de Kleer, Alexander Feldman, Rahul Rai, Souma
Chowdhury
- Abstract要約: 我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
- 参考スコア(独自算出の注目度): 64.5040763067757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reduced-order models that accurately abstract high fidelity models and enable
faster simulation is vital for real-time, model-based diagnosis applications.
In this paper, we outline a novel hybrid modeling approach that combines
machine learning inspired models and physics-based models to generate
reduced-order models from high fidelity models. We are using such models for
real-time diagnosis applications. Specifically, we have developed machine
learning inspired representations to generate reduced order component models
that preserve, in part, the physical interpretation of the original high
fidelity component models. To ensure the accuracy, scalability and numerical
stability of the learning algorithms when training the reduced-order models we
use optimization platforms featuring automatic differentiation. Training data
is generated by simulating the high-fidelity model. We showcase our approach in
the context of fault diagnosis of a rail switch system. Three new model
abstractions whose complexities are two orders of magnitude smaller than the
complexity of the high fidelity model, both in the number of equations and
simulation time are shown. The numerical experiments and results demonstrate
the efficacy of the proposed hybrid modeling approach.
- Abstract(参考訳): 高忠実度モデルを正確に抽象化し、より高速なシミュレーションを可能にする低次モデルは、リアルタイムのモデルベース診断アプリケーションには不可欠である。
本稿では,機械学習に触発されたモデルと物理モデルを組み合わせて,高忠実度モデルから低次モデルを生成する新しいハイブリッドモデリング手法を提案する。
このようなモデルをリアルタイム診断に利用しています。
具体的には,従来の高忠実度成分モデルの物理的解釈を保存した低次成分モデルを生成するために,機械学習による表現を開発した。
学習アルゴリズムの精度、スケーラビリティ、数値安定性を確保するために、自動微分を特徴とする最適化プラットフォームを使用します。
高忠実度モデルをシミュレートしてトレーニングデータを生成する。
本稿では,レールスイッチシステムの故障診断の文脈におけるアプローチを紹介する。
複素数が高忠実度モデルの複雑さよりも2桁小さい3つの新しいモデル抽象化が、方程式数とシミュレーション時間の両方において示される。
数値実験と実験の結果から,提案手法の有効性が示された。
関連論文リスト
- Hybrid Square Neural ODE Causal Modeling [6.173397761495849]
ハイブリッドモデルは、機械的ODEベースのダイナミクスと柔軟な表現力のあるニューラルネットワークコンポーネントを組み合わせる。
ハイブリッドモデルがより柔軟になるにつれて、力学モデルによって提供される因果基底が急速に失われることが示される。
私たちはこの情報を因果的損失にエンコードし、標準的な予測的損失と組み合わせて、因果的有効なハイブリッドモデルへの学習をバイアスするハイブリッド損失に到達します。
論文 参考訳(メタデータ) (2024-02-27T06:01:56Z) - Online Calibration of Deep Learning Sub-Models for Hybrid Numerical
Modeling Systems [34.50407690251862]
本稿では,ハイブリッドシステムのための効率的かつ実用的なオンライン学習手法を提案する。
オイラー勾配近似(Euler Gradient Approximation)のEGA(Euler Gradient Approximation)と呼ばれる手法は、無限に小さな時間ステップの極限における正確な勾配に収束することを示した。
その結果、オフライン学習よりも大幅に改善され、ハイブリッドモデリングにおけるエンド・ツー・エンドのオンライン学習の可能性を強調した。
論文 参考訳(メタデータ) (2023-11-17T17:36:26Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - Digital Twin Data Modelling by Randomized Orthogonal Decomposition and
Deep Learning [0.0]
デジタルツインは、元のプロセスの振る舞いを反映する主な特徴を持つ代理モデルである。
本稿では,流体の効率的なディジタル双対モデルを作成するための新しい枠組みを提案する。
我々は、最先端の人工知能Deep Learning(DL)を用いて、ディジタルツインモデルのリアルタイム適応キャリブレーションを行う。
論文 参考訳(メタデータ) (2022-06-17T09:45:04Z) - Hybrid modeling of the human cardiovascular system using NeuralFMUs [0.0]
ハイブリッドなモデリングプロセスは、より快適で、システム知識を必要とせず、第一原理に基づくモデリングに比べてエラーの少ないことが示される。
結果として得られたハイブリッドモデルは、純粋な第一原理のホワイトボックスモデルに比べて計算性能が向上した。
考慮されたユースケースは、医療領域内外における他のモデリングおよびシミュレーションアプリケーションの例として機能する。
論文 参考訳(メタデータ) (2021-09-10T13:48:43Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳(メタデータ) (2021-06-24T01:40:17Z)
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。