論文の概要: Interface learning of multiphysics and multiscale systems
- arxiv url: http://arxiv.org/abs/2006.10112v2
- Date: Sun, 1 Nov 2020 00:04:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 21:37:44.904223
- Title: Interface learning of multiphysics and multiscale systems
- Title(参考訳): マルチフィジカルシステムとマルチスケールシステムのインタフェース学習
- Authors: Shady E. Ahmed, Omer San, Kursat Kara, Rami Younis, Adil Rasheed
- Abstract要約: 学習パラダイムを導入し,メモリ埋め込みに基づくデータ駆動型インタフェースアプローチを導入し,インターフェースにおける物理的に正確な境界条件を提供する。
我々は,新しい機械学習プラットフォームにおける処理ユニット間の通信コストを,エクサスケール時代に向けて削減する手法によって,高性能なコンピューティング環境が恩恵を受けることを強調した。
- 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: Complex natural or engineered systems comprise multiple characteristic
scales, multiple spatiotemporal domains, and even multiple physical closure
laws. To address such challenges, we introduce an interface learning paradigm
and put forth a data-driven closure approach based on memory embedding to
provide physically correct boundary conditions at the interface. To enable the
interface learning for hyperbolic systems by considering the domain of
influence and wave structures into account, we put forth the concept of upwind
learning towards a physics-informed domain decomposition. The promise of the
proposed approach is shown for a set of canonical illustrative problems. We
highlight that high-performance computing environments can benefit from this
methodology to reduce communication costs among processing units in emerging
machine learning ready heterogeneous platforms toward exascale era.
- Abstract(参考訳): 複雑な自然系または工学系は、複数の特性スケール、複数の時空間領域、さらには複数の物理的閉包則からなる。
このような課題に対処するために、インタフェース学習パラダイムを導入し、メモリ埋め込みに基づくデータ駆動クロージャアプローチを導入し、インタフェースにおける物理的に正しい境界条件を提供する。
影響領域と波動構造を考慮した双曲系のインタフェース学習を可能にするために, 物理に変形した領域分解に向けて, アップウインド学習の概念を提示する。
提案手法の約束は、一連の標準的な図解問題に対して示される。
我々は,新しい機械学習プラットフォームにおける処理ユニット間の通信コストを,エクサスケール時代に向けて削減する手法によって,高性能コンピューティング環境が恩恵を受けることを強調した。
関連論文リスト
- A Physics Informed Neural Network (PINN) Methodology for Coupled Moving Boundary PDEs [0.0]
物理インフォームドニューラルネットワーク(PINN)は、微分方程式(DE)を用いてモデル化された物理問題を解くのに役立つ新しいマルチタスク学習フレームワークである
本稿では、複数の制御パラメータ(エネルギーと種、および複数のインターフェースバランス方程式)を含む結合システムを解決するためのPINNベースのアプローチについて報告する。
論文 参考訳(メタデータ) (2024-09-17T06:00:18Z) - Coordination-free Decentralised Federated Learning on Complex Networks:
Overcoming Heterogeneity [2.6849848612544]
Federated Learning(FL)は、エッジコンピューティングシナリオで学習タスクを実行するためのフレームワークである。
本稿では,コミュニケーション効率のよい分散フェデレート学習(DFL)アルゴリズムを提案する。
我々のソリューションは、デバイスが直接隣人とのみ通信し、正確なモデルを訓練することを可能にする。
論文 参考訳(メタデータ) (2023-12-07T18:24:19Z) - Edge Intelligence Over the Air: Two Faces of Interference in Federated
Learning [95.31679010587473]
フェデレートされたエッジ学習は、次世代無線ネットワークにおけるインテリジェンスの実現の基盤として考えられている。
本稿では,無線によるエッジ学習システムにおける干渉の肯定的および否定的影響について概説する。
論文 参考訳(メタデータ) (2023-06-17T09:04:48Z) - Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。
提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。
全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
論文 参考訳(メタデータ) (2023-04-30T19:45:04Z) - QuantumDynamics.jl: A modular approach to simulations of dynamics of
open quantum systems [0.0]
我々は、新しいオープンソースのソフトウェアフレームワークQuantumDynamics.jlを紹介します。
量子系の力学をシミュレートするための様々な摂動的および非摂動的手法の実装を提供する。
論文 参考訳(メタデータ) (2023-03-21T11:57:13Z) - Oracle-Efficient Smoothed Online Learning for Piecewise Continuous Decision Making [73.48977854003697]
この研究は、複雑性という新しい概念、一般化ブラケット数を導入し、空間の大きさに対する敵の制約を結婚させる。
次に、オンライン予測や断片的連続関数の計画など、関心のあるいくつかの問題で境界をインスタンス化する。
論文 参考訳(メタデータ) (2023-02-10T18:45:52Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳(メタデータ) (2021-03-31T15:14:39Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳(メタデータ) (2021-03-26T02:42:33Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳(メタデータ) (2020-07-04T19:07:51Z) - Learning Physical Constraints with Neural Projections [16.09436906471513]
そこで我々は,ニューラルネットワークの新たなファミリーを提案し,その基盤となる制約を学習することによって,物理系の振る舞いを予測する。
ニューラルネットワークのプロジェクション演算子は,組込み再帰アーキテクチャを備えた軽量ネットワークで構成されたアプローチの中心に位置する。
我々は,一貫した簡単な方法で,一組の物理的システムを学習することで,我々のアプローチの有効性を実証した。
論文 参考訳(メタデータ) (2020-06-23T04:19:04Z) - Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。
本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文 参考訳(メタデータ) (2020-01-21T11:58:41Z)
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。