Fugu-MT 論文翻訳(概要): Transfer learning for nonlinear dynamics and its application to fluid turbulence

論文の概要: Transfer learning for nonlinear dynamics and its application to fluid turbulence

arxiv url: http://arxiv.org/abs/2009.01407v1
Date: Thu, 3 Sep 2020 01:40:56 GMT
ステータス: 処理完了
システム内更新日: 2022-10-22 08:12:34.447169
Title: Transfer learning for nonlinear dynamics and its application to fluid turbulence
Title（参考訳）: 非線形力学の伝達学習と流体乱流への応用
Authors: Masanobu Inubushi and Susumu Goto
Abstract要約: 本稿では,少量のデータを用いてカオス力学の効率的な予測を可能にする非線形力学の伝達学習を提案する。ローレンツカオスでは、従来の手法よりも精度の高い推定を桁違いに行う。
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 introduce transfer learning for nonlinear dynamics, which enables efficient predictions of chaotic dynamics by utilizing a small amount of data. For the Lorenz chaos, by optimizing the transfer rate, we accomplish more accurate inference than the conventional method by an order of magnitude. Moreover, a surprisingly small amount of learning is enough to infer the energy dissipation rate of the Navier-Stokes turbulence because we can, thanks to the small-scale universality of turbulence, transfer a large amount of the knowledge learned from turbulence data at lower Reynolds number.
Abstract（参考訳）: 本稿では,少量のデータを利用してカオス力学の効率的な予測を可能にする非線形力学の伝達学習を提案する。ローレンツカオスでは、転送速度を最適化することにより、従来の手法よりも精度の高い推定を桁数で達成する。さらに、驚くほど少量の学習がナヴィエ・ストークス乱流のエネルギー散逸率を推測するのに十分である、なぜなら、乱流の小さな普遍性のおかげで、レイノルズ数以下の乱流データから得られた知識を大量に伝達できるからである。

関連論文リスト

Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文参考訳（メタデータ） (2024-03-27T15:57:42Z)
The Marginal Value of Momentum for Small Learning Rate SGD [20.606430391298815]
モーメントは、勾配雑音のない強い凸条件下での勾配降下の収束を加速することが知られている。実験により、最適学習率があまり大きくない実践訓練において、運動量には最適化と一般化の両方の利点があることがわかった。
論文参考訳（メタデータ） (2023-07-27T21:01:26Z)
Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-06-03T06:19:20Z)
Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
論文参考訳（メタデータ） (2023-05-24T20:43:47Z)
Towards prediction of turbulent flows at high Reynolds numbers using high performance computing data and deep learning [0.39146761527401425]
乱流の理解とモデル化に適したGAN(generative adversarial network)について論じる。ワッサースタイン GAN (WGAN) は小さな乱流を生成するために選択される。 DNS乱流データを用いてWGANのトレーニングを行い,学習率や損失関数などのネットワークパラメータの影響について検討した。
論文参考訳（メタデータ） (2022-10-28T13:14:06Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)
Flowformer: Linearizing Transformers with Conservation Flows [77.25101425464773]
本研究では,フローネットワーク理論に基づくインダクティブバイアスのないトランスフォーマーを線形化する。ソースコンペティション用シンクの流入流と、シンクアロケーション用ソースの流出流をそれぞれ保存することにより、フローアテンションは本質的に情報的注意を発生させる。
論文参考訳（メタデータ） (2022-02-13T08:44:10Z)
TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
論文参考訳（メタデータ） (2021-10-27T21:05:00Z)
Implicit Bias of SGD for Diagonal Linear Networks: a Provable Benefit of Stochasticity [24.428843425522107]
直交線形ネットワーク上の勾配降下の力学を,その連続時間,すなわち勾配流を用いて研究する。トレーニング損失の収束速度がバイアス効果の大きさを制御することを示し,収束速度が遅くなるほどバイアスが良くなることを示した。
論文参考訳（メタデータ） (2021-06-17T14:16:04Z)
Operator Inference and Physics-Informed Learning of Low-Dimensional Models for Incompressible Flows [5.756349331930218]
本稿では,データからの非圧縮性流れに対する構造的低次モデル学習への新たなアプローチを提案する。本研究では,速度と圧力の学習ダイナミクスを分離し,効率的な演算子推論手法を提案する。
論文参考訳（メタデータ） (2020-10-13T21:26:19Z)
A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。