論文の概要: Dalek -- a deep-learning emulator for TARDIS
- arxiv url: http://arxiv.org/abs/2007.01868v1
- Date: Fri, 3 Jul 2020 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 06:13:16.346648
- Title: Dalek -- a deep-learning emulator for TARDIS
- Title(参考訳): Dalek -- TARDISのディープラーニングエミュレータ
- Authors: Wolfgang E. Kerzendorf, Christian Vogl, Johannes Buchner, Gabriella
Contardo, Marc Williamson, Patrick van der Smagt
- Abstract要約: 超新星のスペクトル時系列は、これらのエネルギティック事象の先駆者および爆発過程に関する豊富な情報を含んでいる。
これらのデータのモデリングには、高価な放射転写符号を用いた非常に高次元の後方確率の探索が必要である。
ニューラルネットワークのトレーニングのための広く利用可能なライブラリの出現と、ほぼ任意の関数を高精度で近似する能力を組み合わせることで、この問題に対する新たなアプローチが可能になる。
- 参考スコア(独自算出の注目度): 6.733242982713045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supernova spectral time series contain a wealth of information about the
progenitor and explosion process of these energetic events. The modeling of
these data requires the exploration of very high dimensional posterior
probabilities with expensive radiative transfer codes. Even modest
parametrizations of supernovae contain more than ten parameters and a detailed
exploration demands at least several million function evaluations. Physically
realistic models require at least tens of CPU minutes per evaluation putting a
detailed reconstruction of the explosion out of reach of traditional
methodology. The advent of widely available libraries for the training of
neural networks combined with their ability to approximate almost arbitrary
functions with high precision allows for a new approach to this problem.
Instead of evaluating the radiative transfer model itself, one can build a
neural network proxy trained on the simulations but evaluating orders of
magnitude faster. Such a framework is called an emulator or surrogate model. In
this work, we present an emulator for the TARDIS supernova radiative transfer
code applied to Type Ia supernova spectra. We show that we can train an
emulator for this problem given a modest training set of a hundred thousand
spectra (easily calculable on modern supercomputers). The results show an
accuracy on the percent level (that are dominated by the Monte Carlo nature of
TARDIS and not the emulator) with a speedup of several orders of magnitude.
This method has a much broader set of applications and is not limited to the
presented problem.
- Abstract(参考訳): 超新星のスペクトル時系列は、これらのエネルギーイベントの前駆者および爆発過程に関する豊富な情報を含んでいる。
これらのデータのモデリングには、高価なラジエーション転送符号を持つ非常に高次元の後方確率の探索が必要である。
超新星の穏やかなパラメトリゼーションでさえ10以上のパラメータを含み、詳細な探査には少なくとも数百万の関数評価が必要である。
物理的に現実的なモデルでは、評価毎に少なくとも数十CPU分を要し、爆発の詳細な再構築を従来の手法から外している。
ニューラルネットワークのトレーニングのための広く利用可能なライブラリの出現と、ほぼ任意の関数を高精度で近似する能力を組み合わせることで、この問題に対する新たなアプローチが可能になる。
放射転送モデル自体を評価する代わりに、シミュレーションに基づいてトレーニングされたニューラルネットワークプロキシを構築することができる。
そのようなフレームワークはエミュレータまたはサロゲートモデルと呼ばれる。
本稿では,Ia型超新星スペクトルに適用したTARDIS超新星放射転送符号のエミュレータについて述べる。
数十万のスペクトル(現代のスーパーコンピュータで容易に計算できる)の控えめなトレーニングセットを考えると、この問題に対してエミュレータを訓練できることが示される。
結果は、数桁のスピードアップを持つパーセントの精度(これはTARDISのモンテカルロの性質に支配されているがエミュレータではない)を示している。
この方法は、より広い範囲のアプリケーションがあり、提示される問題に限定されない。
関連論文リスト
- Distributed computing for physics-based data-driven reduced modeling at scale: Application to a rotating detonation rocket engine [0.0]
本稿では,スパースデータセットから学習した予測物理ベースのROMを高速かつスケーラブルに構築する分散アルゴリズムを提案する。
我々は、シミュレーションされた物理時間の1ミリ秒がスーパーコンピュータ上で100万コア時間を必要とする実世界の3次元RDREに焦点を当てる。
論文 参考訳(メタデータ) (2024-07-13T20:17:41Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳(メタデータ) (2022-11-09T09:55:14Z) - Probabilistic Dalek -- Emulator framework with probabilistic prediction
for supernova tomography [8.798674169116374]
超新星のスペクトル時系列は、超新星トモグラフィーとして知られる空間的に解決された爆発モデルを再構成するために用いられる。
超新星トモグラフィーモデルの最小のパラメトリゼーションは、100以上を必要とする現実的なパラメータの約1ダースである。
機械学習技術を用いたシュロゲートモデルやエミュレータと呼ばれるシミュレーションを高速化する新しい手法がソリューションを提供する。
論文 参考訳(メタデータ) (2022-09-20T04:18:30Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - ClimART: A Benchmark Dataset for Emulating Atmospheric Radiative
Transfer in Weather and Climate Models [13.514499533538789]
我々はClimARTという大規模なデータセットを構築し、現在の、工業以前の、将来の気候条件から、カナダ地球系モデルに基づいて、Emph10万以上のサンプルを収集した。
ClimARTは、複数のアウト・オブ・ディストリビューションテストセット、基礎となるドメイン物理学、精度と推論速度のトレードオフなど、MLコミュニティにいくつかの方法論上の課題を提起している。
また、以前の作業で使用されるデータセットとネットワークアーキテクチャの欠点を示す新しいベースラインをいくつか提示する。
論文 参考訳(メタデータ) (2021-11-29T16:32:31Z) - M6-10T: A Sharing-Delinking Paradigm for Efficient Multi-Trillion
Parameter Pretraining [55.16088793437898]
極端なモデルのトレーニングには大量の計算とメモリフットプリントが必要です。
本稿では,高メモリフットプリント要求大モデルのための簡単なトレーニング戦略"Pseudo-to-Real"を提案する。
論文 参考訳(メタデータ) (2021-10-08T04:24:51Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z) - Simulating the Time Projection Chamber responses at the MPD detector
using Generative Adversarial Networks [0.0]
本研究では、NICA加速器複合体におけるMPD実験のTime Projection Chamberトラッカーのシミュレーションを高速化するための新しいアプローチを実証する。
本手法は,任意の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法である,生成型アドレアルネットワークに基づいている。
提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。
論文 参考訳(メタデータ) (2020-12-08T17:57:37Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳(メタデータ) (2020-11-24T22:51:08Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z) - Building high accuracy emulators for scientific simulations with deep
neural architecture search [0.0]
機械学習で高速エミュレータを構築することでシミュレーションを加速するための有望なルートは、大規模なトレーニングデータセットを必要とする。
ここでは,学習データに制限がある場合でも,正確なエミュレータを構築するためのニューラルネットワーク探索に基づく手法を提案する。
この手法は、天体物理学、気候科学、生物地球化学、高エネルギー密度物理学、核融合エネルギー、地震学を含む10の科学ケースにおいて、シミュレーションを最大20億回加速させることに成功した。
論文 参考訳(メタデータ) (2020-01-17T22:14:12Z)
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。