論文の概要: A probabilistic generative model for semi-supervised training of
coarse-grained surrogates and enforcing physical constraints through virtual
observables
- arxiv url: http://arxiv.org/abs/2006.01789v1
- Date: Tue, 2 Jun 2020 17:14:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 23:35:13.099615
- Title: A probabilistic generative model for semi-supervised training of
coarse-grained surrogates and enforcing physical constraints through virtual
observables
- Title(参考訳): 粗粒サーロゲートの半教師付き訓練と仮想観測による物理的制約の確率論的生成モデル
- Authors: Maximilian Rixner, Phaedon-Stelios Koutsourelakis
- Abstract要約: 本稿では、トレーニング目的と代理モデル自体の両方において、物理的構造と情報を考慮した柔軟な確率的フレームワークを提供する。
我々は、物理から得られる等式を仮想観測可能なものとして導入し、その可能性を通じて追加情報を提供する確率論的モデルを提案する。
- 参考スコア(独自算出の注目度): 3.8073142980733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The data-centric construction of inexpensive surrogates for fine-grained,
physical models has been at the forefront of computational physics due to its
significant utility in many-query tasks such as uncertainty quantification.
Recent efforts have taken advantage of the enabling technologies from the field
of machine learning (e.g. deep neural networks) in combination with simulation
data. While such strategies have shown promise even in higher-dimensional
problems, they generally require large amounts of training data even though the
construction of surrogates is by definition a Small Data problem. Rather than
employing data-based loss functions, it has been proposed to make use of the
governing equations (in the simplest case at collocation points) in order to
imbue domain knowledge in the training of the otherwise black-box-like
interpolators. The present paper provides a flexible, probabilistic framework
that accounts for physical structure and information both in the training
objectives as well as in the surrogate model itself. We advocate a
probabilistic (Bayesian) model in which equalities that are available from the
physics (e.g. residuals, conservation laws) can be introduced as virtual
observables and can provide additional information through the likelihood. We
further advocate a generative model i.e. one that attempts to learn the joint
density of inputs and outputs that is capable of making use of unlabeled data
(i.e. only inputs) in a semi-supervised fashion in order to promote the
discovery of lower-dimensional embeddings which are nevertheless predictive of
the fine-grained model's output.
- Abstract(参考訳): 細粒度物理モデルのための安価なサロゲートのデータ中心構築は、不確実性定量化のような多くのクエリータスクにおいて重要な有用性のため、計算物理学の最前線にある。
近年の取り組みは、シミュレーションデータと組み合わせて機械学習(ディープニューラルネットワークなど)の分野で実現可能な技術を活用している。
このような戦略は高次元問題においても有望であるが、サロゲートの構築は定義上は小さなデータの問題であるにもかかわらず、一般に大量のトレーニングデータを必要とする。
データに基づく損失関数を採用する代わりに、ブラックボックスのような補間器の訓練にドメイン知識を組み込むために(最も単純な場合において)支配方程式を利用する方法が提案されている。
本稿では,訓練対象だけでなく,サロゲートモデル自体においても,物理的構造や情報を考慮したフレキシブルで確率的なフレームワークを提供する。
我々は、物理から得られる等式(残留物、保存法則など)を仮想観測可能なものとして導入し、その可能性を通じて追加情報を提供する確率論的(ベイジアン)モデルを提唱する。
さらに,半教師方式でラベルなしデータ(すなわち入力のみ)を活用できる入力と出力の結合密度を学習しようとする生成モデルを提案し,細粒度モデルの出力を予測できる低次元埋め込みの発見を促進する。
関連論文リスト
- Generative Learning of Continuous Data by Tensor Networks [47.77281294161002]
本稿では,連続データのためのテンソルネットワーク生成モデルについて紹介する。
我々は、このモデルの性能を、いくつかの合成および実世界のデータセットでベンチマークする。
本手法は, 急速に成長する生成学習分野において, 量子インスピレーション法の有効性を示す重要な理論的, 実証的な証拠を与える。
論文 参考訳(メタデータ) (2023-10-31T14:37:37Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳(メタデータ) (2023-10-26T17:59:46Z) - Extreme sparsification of physics-augmented neural networks for
interpretable model discovery in mechanics [0.0]
本稿では,L0$-regularizationのスムーズなバージョンを用いて,正規化された物理拡張ニューラルネットワークモデルを訓練することを提案する。
本手法は, 可圧縮・非圧縮熱力学, 降伏関数, 弾塑性の硬化モデルに対して, 解釈可能かつ信頼性の高いモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-10-05T16:28:58Z) - A spectrum of physics-informed Gaussian processes for regression in
engineering [0.0]
センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。
本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
論文 参考訳(メタデータ) (2023-09-19T14:39:03Z) - Privacy-preserving machine learning with tensor networks [50.591267188664666]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳(メタデータ) (2022-02-24T19:04:35Z) - Physics-aware, deep probabilistic modeling of multiscale dynamics in the
Small Data regime [0.0]
本稿では,予測的,低次元粗粒度(CG)変数を同時に同定する確率論的視点を提供する。
我々は、CG進化法則の右辺を表すために、ディープニューラルネットワークの表現能力を活用している。
移動粒子の高次元システムにおいて,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2021-02-08T15:04:05Z) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳(メタデータ) (2021-01-18T08:37:13Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - Embedded-physics machine learning for coarse-graining and collective
variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文 参考訳(メタデータ) (2020-02-24T10:28:41Z) - Incorporating physical constraints in a deep probabilistic machine
learning framework for coarse-graining dynamical systems [7.6146285961466]
本稿では,予測の不確実性の定量化を可能にする,データに基づく確率論的視点を提供する。
確率的状態空間モデルを用いて粗粒化過程を定式化する。
完全な微細なシステムの進化を再構築することができる。
論文 参考訳(メタデータ) (2019-12-30T16:07:46Z)
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。