Fugu-MT 論文翻訳(概要): Towards the Development of Entropy-Based Anomaly Detection in an Astrophysics Simulation

論文の概要: Towards the Development of Entropy-Based Anomaly Detection in an Astrophysics Simulation

arxiv url: http://arxiv.org/abs/2009.02430v1
Date: Sat, 5 Sep 2020 01:43:33 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 21:09:46.270190
Title: Towards the Development of Entropy-Based Anomaly Detection in an Astrophysics Simulation
Title（参考訳）: 天体物理学シミュレーションにおけるエントロピーに基づく異常検出の開発に向けて
Authors: Drew Schmidt, Bronson Messer, M. Todd Young, Michael Matheson
Abstract要約: コア崩壊型超新星シミュレーションから生じる異常問題について述べる。本稿では,この科学的シミュレーションに異常検出技術を適用する際の戦略と早期成功について論じる。
参考スコア（独自算出の注目度）: 0.2867517731896504
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The use of AI and ML for scientific applications is currently a very exciting and dynamic field. Much of this excitement for HPC has focused on ML applications whose analysis and classification generate very large numbers of flops. Others seek to replace scientific simulations with data-driven surrogate models. But another important use case lies in the combination application of ML to improve simulation accuracy. To that end, we present an anomaly problem which arises from a core-collapse supernovae simulation. We discuss strategies and early successes in applying anomaly detection techniques from machine learning to this scientific simulation, as well as current challenges and future possibilities.
Abstract（参考訳）: 科学応用におけるAIとMLの利用は、現在非常にエキサイティングでダイナミックな分野である。 HPCのこの興奮の多くは、分析と分類が非常に多数のフロップを生成するMLアプリケーションに焦点を当てている。科学的シミュレーションをデータ駆動サロゲートモデルに置き換えようとするものもある。しかし、もうひとつの重要なユースケースは、シミュレーション精度を向上させるためのMLの併用である。そこで我々は,コア崩壊型超新星シミュレーションから生じる異常問題を提案する。機械学習から科学的シミュレーションに異常検出技術を適用するための戦略と初期の成功、そして現在の課題と今後の可能性について論じる。

関連論文リスト

Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文参考訳（メタデータ） (2024-08-22T07:33:11Z)
Reliable edge machine learning hardware for scientific applications [34.87898436984149]
極端なデータレートの科学実験は、効率的なMLエッジ処理を必要とする大量のデータを生成する。このような厳密なレイテンシ、リソース、パワー、および領域要件の下で、科学的なエッジで信頼できるアルゴリズムを開発し、検証するためのアプローチについて議論する。
論文参考訳（メタデータ） (2024-06-27T20:45:08Z)
Exponential improvements in the simulation of lattice gauge theories using near-optimal techniques [0.0]
我々は、アベリア格子ゲージ理論と非アベリア格子ゲージ理論をシミュレートするコストを詳細に分析する。シミュレーション全体に対して、明示的な回路構成とTゲート数およびキュービット数を提供する。
論文参考訳（メタデータ） (2024-05-16T19:36:49Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
論文参考訳（メタデータ） (2023-12-15T08:27:39Z)
Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文参考訳（メタデータ） (2023-05-01T23:20:27Z)
Towards Reliable Neural Generative Modeling of Detectors [0.45671221781968335]
本稿では,LHCb実験イベントのシミュレーションにおけるGAN(Generative Adversarial Network)の適用について論じる。結果は、LHCbチェレンコフ検出器のGeant4シミュレーションに基づいている。
論文参考訳（メタデータ） (2022-04-21T08:14:24Z)
Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文参考訳（メタデータ） (2022-02-17T07:56:46Z)
Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
論文参考訳（メタデータ） (2021-12-06T18:45:31Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2020-10-28T12:43:46Z)

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。