論文の概要: Machine-Learned Preconditioners for Linear Solvers in Geophysical Fluid Flows

• arxiv url: http://arxiv.org/abs/2010.02866v1
• Date: Tue, 6 Oct 2020 16:40:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 08:11:11.565078
• Title: Machine-Learned Preconditioners for Linear Solvers in Geophysical Fluid Flows
• Title（参考訳）: 物理流体の線形解法のための機械学習プリコンディショナー
• Authors: Jan Ackmann (1), Peter D. D\"uben (2), Tim N. Palmer (1), Piotr K. Smolarkiewicz (3) ((1) University of Oxford, Oxford, UK, (2) European Centre For Medium Range Weather Forecasts, Reading, UK, (3) National Center for Atmospheric Research, Boulder, USA)
• Abstract要約: 線形解法の性能を高めるためにプレコンディショニングに機械学習手法を使用できるかどうかを検証した。 半単純タイムステッピングを伴う浅水モデルに対する最適プレコンディショナを学習するために,いくつかの機械学習手法が用いられている。 機械学習プレコンディショナは、従来のプレコンディショナと競合し、トレーニングデータセットの動的範囲外でも良い結果が得られる。
• 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: It is tested whether machine learning methods can be used for preconditioning to increase the performance of the linear solver -- the backbone of the semi-implicit, grid-point model approach for weather and climate models. Embedding the machine-learning method within the framework of a linear solver circumvents potential robustness issues that machine learning approaches are often criticized for, as the linear solver ensures that a sufficient, pre-set level of accuracy is reached. The approach does not require prior availability of a conventional preconditioner and is highly flexible regarding complexity and machine learning design choices. Several machine learning methods are used to learn the optimal preconditioner for a shallow-water model with semi-implicit timestepping that is conceptually similar to more complex atmosphere models. The machine-learning preconditioner is competitive with a conventional preconditioner and provides good results even if it is used outside of the dynamical range of the training dataset.
• Abstract（参考訳）: 気象・気候モデルのための半単純,グリッドポイントモデルアプローチのバックボーンである線形解法の性能向上のために,機械学習手法をプリコンディショニングに使用できるかどうかを検証した。 リニアソルバのフレームワークに機械学習メソッドを組み込むことは、リニアソルバが十分な事前セットの精度に達することを保証するため、マシンラーニングアプローチがしばしば批判される潜在的なロバスト性問題を回避する。 このアプローチは、従来のプレコンディショナーの事前可用性を必要とせず、複雑性と機械学習設計の選択に関して非常に柔軟である。 いくつかの機械学習手法は、概念的により複雑な大気モデルに類似した半単純時間ステップを持つ浅水モデルの最適前提条件を学ぶために用いられる。 機械学習プリコンディショナーは、従来のプリコンディショナーと競合しており、トレーニングデータセットのダイナミックレンジ外で使用しても良い結果が得られる。

関連論文リスト

• Machine Learning for predicting chaotic systems [0.0]
  我々は、よく調整された単純な手法と、未調整のベースライン手法が、しばしば最先端のディープラーニングモデルより優れていることを示す。 これらの結果は、データ特性と利用可能な計算資源に対するマッチング予測手法の重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-07-29T16:34:47Z)
• Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods [0.7234862895932991]
  原子間相互作用のデータ駆動機械学習(ML)モデルは、原子配列のニュアンスな側面をエネルギーと力の予測に関連付けることができる。 主な課題は、化学環境のディスクリプタが、よく明確に定義された連続計量のない高次元の物体であるという事実に起因している。 実験の統計的計画と最適設計の古典的な概念は、そのような問題を比較的低い計算コストで緩和するのに役立つことを実証する。
  論文  参考訳（メタデータ） (2024-05-14T14:14:23Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Hybrid Machine Learning Modeling of Engineering Systems -- A Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study [0.0]
  本稿では,第1原理モデルの処理条件のチューニングを可能にする,ハイブリッドモデリング機械学習フレームワークを提案する。 我々の手法は第一原理モデルパラメータの期待値を推定するだけでなく、これらの推定の不確実性を定量化する。 シミュレーションの結果, 得られたハイブリッドモデルの不確実性推定を用いて, より良い操作決定を行う方法が示された。
  論文  参考訳（メタデータ） (2022-05-18T20:15:25Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Physics-integrated hybrid framework for model form error identification in nonlinear dynamical systems [0.0]
  実生活の非線形系では、正確な非線形性の形式はよく知られておらず、既知の支配方程式は特定の仮定や近似に基づいていることが多い。 モデル形状の誤差を識別するだけでなく、既知のが近似的な支配方程式の予測能力を向上させるためにも活用する、新しいグレーボックスモデリング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T16:29:21Z)
• 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)
• Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
  人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。 従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。 本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-01-21T01:46:36Z)

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。