論文の概要: Multiscale Simulations of Complex Systems by Learning their Effective Dynamics

• arxiv url: http://arxiv.org/abs/2006.13431v3
• Date: Tue, 19 Oct 2021 17:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 13:36:23.053269
• Title: Multiscale Simulations of Complex Systems by Learning their Effective Dynamics
• Title（参考訳）: 実効動力学学習による複雑システムのマルチスケールシミュレーション
• Authors: Pantelis R. Vlachas, Georgios Arampatzis, Caroline Uhler, Petros Koumoutsakos
• Abstract要約: 本稿では,大規模シミュレーションをブリッジし,注文モデルを削減し,実効ダイナミクスを学習するシステムフレームワークを提案する。 LEDは複雑なシステムの正確な予測に新しい強力なモダリティを提供する。 LEDは化学から流体力学に至るまでのシステムに適用でき、計算の労力を最大2桁まで削減できる。
• 参考スコア（独自算出の注目度）: 10.52078600986485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive simulations of complex systems are essential for applications ranging from weather forecasting to drug design. The veracity of these predictions hinges on their capacity to capture the effective system dynamics. Massively parallel simulations predict the system dynamics by resolving all spatiotemporal scales, often at a cost that prevents experimentation while their findings may not allow for generalisation. On the other hand reduced order models are fast but limited by the frequently adopted linearization of the system dynamics and/or the utilization of heuristic closures. Here we present a novel systematic framework that bridges large scale simulations and reduced order models to Learn the Effective Dynamics (LED) of diverse complex systems. The framework forms algorithmic alloys between non-linear machine learning algorithms and the Equation-Free approach for modeling complex systems. LED deploys autoencoders to formulate a mapping between fine and coarse-grained representations and evolves the latent space dynamics using recurrent neural networks. The algorithm is validated on benchmark problems and we find that it outperforms state of the art reduced order models in terms of predictability and large scale simulations in terms of cost. LED is applicable to systems ranging from chemistry to fluid mechanics and reduces the computational effort by up to two orders of magnitude while maintaining the prediction accuracy of the full system dynamics. We argue that LED provides a novel potent modality for the accurate prediction of complex systems.
• Abstract（参考訳）: 複雑なシステムの予測シミュレーションは、天気予報から薬物設計まで、応用に不可欠である。 これらの予測の有効性は、効果的なシステムダイナミクスを捉える能力にかかっている。 大規模な並列シミュレーションは、全ての時空間スケールを解決し、しばしば実験を妨げ、発見が一般化を許さないコストでシステムのダイナミクスを予測する。 一方、還元次数モデルは高速であるが、システム力学の頻繁な線形化やヒューリスティック閉包の利用によって制限される。 ここでは,大規模シミュレーションをブリッジし,命令モデルを削減し,多様な複雑なシステムの有効ダイナミクス(LED)を学習する,新しい体系的枠組みを提案する。 このフレームワークは、非線形機械学習アルゴリズムと複雑なシステムのモデリングのための方程式自由アプローチの間のアルゴリズム的合金を形成する。 ledはオートエンコーダをデプロイして、細かい粒度の表現と粗い表現のマッピングを定式化し、リカレントニューラルネットワークを用いた潜在空間ダイナミクスを進化させる。 このアルゴリズムは, ベンチマーク問題に対して検証し, 予測可能性および大規模シミュレーションの点で, 精度の低下した順序モデルの状態を性能的に上回ることを示した。 LEDは化学から流体力学に至るまでのシステムに適用可能であり、全系の力学の予測精度を維持しながら、計算の労力を最大2桁まで削減できる。 ledは複雑なシステムの正確な予測に新しい強力なモダリティを提供すると主張する。

関連論文リスト

• Stochastic Online Optimization for Cyber-Physical and Robotic Systems [9.392372266209103]
  本稿では,サイバー物理・ロボットシステムの文脈におけるプログラミング問題の解決のための新しいオンラインフレームワークを提案する。 我々の問題定式化制約は、一般に連続状態とアクション空間が非線形であるサイバー物理システムの進化をモデル化する。 我々は, 力学の粗い推定でも, アルゴリズムの収束性を大幅に向上させることができることを示した。
  論文  参考訳（メタデータ） (2024-04-08T09:08:59Z)
• Generative Learning for Forecasting the Dynamics of Complex Systems [5.393540462038596]
  本稿では,複雑なシステムのシミュレーションを高速化するための生成モデルについて紹介する。 その結果、生成学習は、計算コストを削減し、複雑なシステムの統計特性を正確に予測するための新たなフロンティアを提供することを示した。
  論文  参考訳（メタデータ） (2024-02-27T02:44:40Z)
• AI-Lorenz: A physics-data-driven framework for black-box and gray-box identification of chaotic systems with symbolic regression [2.07180164747172]
  複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。 私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。 これにより、動的挙動の将来的な進化を予測することができる。
  論文  参考訳（メタデータ） (2023-12-21T18:58:41Z)
• Interpretable learning of effective dynamics for multiscale systems [5.754251195342313]
  iLED(Interpretable Learning Effective Dynamics)の新たな枠組みを提案する。 iLEDは、最先端のリカレントニューラルネットワークベースのアプローチに匹敵する精度を提供する。 その結果、iLEDフレームワークは正確な予測を生成でき、解釈可能なダイナミクスを得ることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-11T20:29:38Z)
• Adaptive learning of effective dynamics: Adaptive real-time, online modeling for complex systems [2.6144444305800234]
  本稿では,大規模シミュレーションを橋渡しし,適応的に有効な力学を抽出・予測する新しいフレームワークを提案する。 AdaLEDはオートエンコーダを使用して、システムダイナミクスの低次表現と確率的リカレントニューラルネットワーク(RNN)のアンサンブルを遅延時間ステップ時間として識別する。 このフレームワークは、計算解法とサロゲートを交互に組み合わせ、学習力学を加速し、まだ学習されていない力学系を元の解法に残す。
  論文  参考訳（メタデータ） (2023-04-04T12:05:51Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。