論文の概要: Reduced Bond Graph via machine learning for nonlinear multiphysics dynamic systems

• arxiv url: http://arxiv.org/abs/2004.13971v1
• Date: Wed, 29 Apr 2020 06:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 13:06:34.868780
• Title: Reduced Bond Graph via machine learning for nonlinear multiphysics dynamic systems
• Title（参考訳）: 非線形多物理力学系に対する機械学習によるリダクションボンドグラフ
• Authors: Youssef Hammadi (MAT), David Ryckelynck (LMSP), Amin El-Bakkali
• Abstract要約: ボンドグラフの低減を目的とした機械学習手法を提案する。 機械学習の出力は、単純な人工ニューラルネットワークに結合されたボンドグラフの縮小を含むハイブリッドモデリングである。
• 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: We propose a machine learning approach aiming at reducing Bond Graphs. The output of the machine learning is a hybrid modeling that contains a reduced Bond Graph coupled to a simple artificial neural network. The proposed coupling enables knowledge continuity in machine learning. In this paper, a neural network is obtained by a linear calibration procedure. We propose a method that contains two training steps. First, the method selects the components of the original Bond Graph that are kept in the Reduced Bond Graph. Secondly, the method builds an artificial neural network that supplements the reduced Bond Graph. Because the output of the machine learning is a hybrid model, not solely data, it becomes difficult to use a usual Backpropagation Through Time to calibrate the weights of the neural network. So, in a first attempt, a very simple neural network is proposed by following a model reduction approach. We consider the modeling of the automotive cabins thermal behavior. The data used for the training step are obtained via solutions of differential algebraic equations by using a design of experiment. Simple cooling simulations are run during the training step. We show a simulation speed-up when the reduced bond graph is used to simulate the driving cycle of the WLTP vehicles homologation procedure, while preserving accuracy on output variables. The variables of the original Bond Graph are split into a set of primary variables, a set of secondary variables and a set of tertiary variables. The reduced bond graph contains all the primary variables, but none of the tertiary variables. Secondary variables are coupled to primary ones via an artificial neural network. We discuss the extension of this coupling approach to more complex artificial neural networks.
• Abstract（参考訳）: ボンドグラフの低減を目的とした機械学習手法を提案する。 機械学習の出力は、単純な人工ニューラルネットワークに結合されたボンドグラフの縮小を含むハイブリッドモデリングである。 提案する結合は、機械学習における知識連続性を可能にする。 本稿では,線形校正手順によってニューラルネットワークを得る。 2つのトレーニングステップを含む手法を提案する。 まず、還元結合グラフに保持されている元の結合グラフの成分を選択する。 第二に、この手法は、縮小結合グラフを補完する人工ニューラルネットワークを構築する。 機械学習の出力はデータだけでなくハイブリッドモデルであるため、通常のバックプロパゲーション・スルー・タイムを使用してニューラルネットワークの重みを調整することは困難になる。 したがって、最初の試みでは、モデル還元アプローチに従えば、非常に単純なニューラルネットワークが提案される。 自動車キャビンの熱挙動のモデル化について考察する。 トレーニングステップで使用されるデータは、実験の設計を用いて微分代数方程式の解を用いて得られる。 単純な冷却シミュレーションはトレーニングステップで実行される。 我々は,WLTP車両のホモログ化手順の駆動サイクルをシミュレーションするために,縮小結合グラフを用いた場合,出力変数の精度を保ちながらシミュレーションスピードアップを示す。 元のボンドグラフの変数は、一次変数のセット、二次変数のセット、第三次変数のセットに分けられる。 還元結合グラフはすべての一次変数を含むが、第三次変数は含まない。 二次変数は、ニューラルネットワークを介して一次変数に結合される。 より複雑な人工ニューラルネットワークへのこの結合アプローチの拡張について論じる。

関連論文リスト

• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• A Hybrid GNN approach for predicting node data for 3D meshes [0.0]
  現在,有限要素法による最適パラメータの予測を行っている。 新たなデータシミュレーションの処理と生成を支援するハイブリッドアプローチを導入する。 新しいモデルは、シミュレーションを作成するために適用された場合、既存のPointNetや単純なグラフニューラルネットワークモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-10-23T08:47:27Z)
• Finding Hamiltonian cycles with graph neural networks [0.0]
  我々は、ErdHos-Rnyiのランダムグラフ上でハミルトン周期を予測するために、小さなメッセージパスグラフニューラルネットワークを訓練する。 このモデルは、より大きなグラフサイズによく一般化され、元の8倍の大きさのグラフでも妥当な性能を維持する。
  論文  参考訳（メタデータ） (2023-06-10T21:18:31Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Graph-based Neural Acceleration for Nonnegative Matrix Factorization [0.0]
  非負行列分解のためのグラフベースのニューラルアクセラレーション手法について述べる。 我々は,乗算器の交互方向法に基づく更新により,二部構成の自己認識層をインターリーブするグラフニューラルネットワークを訓練する。 実世界のデータセットと2つの実世界のデータセットに対する評価は、より小さな合成インスタンスで教師なしの訓練をしても、かなり加速できることを示している。
  論文  参考訳（メタデータ） (2022-02-01T07:52:01Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Training Graph Neural Networks by Graphon Estimation [2.5997274006052544]
  本稿では,基礎となるネットワークデータから得られたグラフトン推定値から再サンプリングすることで,グラフニューラルネットワークをトレーニングする。 我々のアプローチは競争力があり、多くの場合、他の過度にスムースなGNNトレーニング手法よりも優れています。
  論文  参考訳（メタデータ） (2021-09-04T19:21:48Z)
• AutoInt: Automatic Integration for Fast Neural Volume Rendering [51.46232518888791]
  暗黙的ニューラル表現ネットワークを用いて、積分に対する効率的でクローズドな解を学習するための新しいフレームワークを提案する。 我々は,高速なニューラルボリュームレンダリングを実現するために,フォトリアリスティックな要件を10倍以上に改善したことを示す。
  論文  参考訳（メタデータ） (2020-12-03T05:46:10Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Physics Informed Deep Learning for Transport in Porous Media. Buckley Leverett Problem [0.0]
  貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。 この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。 提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
  論文  参考訳（メタデータ） (2020-01-15T08:20:11Z)

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。