論文の概要: Real-time parameter inference in reduced-order flame models with
heteroscedastic Bayesian neural network ensembles
- arxiv url: http://arxiv.org/abs/2011.02838v1
- Date: Sun, 11 Oct 2020 15:04:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 14:06:23.562026
- Title: Real-time parameter inference in reduced-order flame models with
heteroscedastic Bayesian neural network ensembles
- Title（参考訳）: ヘテロシデスティックベイズ型ニューラルネットワークアンサンブルを用いた低次火炎モデルのリアルタイムパラメータ推定
- Authors: Ushnish Sengupta, Maximilian L. Croci, Matthew P. Juniper
- Abstract要約: 私たちは2100万のシミュレートされたフレイムビデオのライブラリーでネットワークをトレーニングします。
トレーニングされたニューラルネットワークは、プレミックスされたブンゼン火炎の実ビデオからモデルパラメータを推測するために使用される。
- 参考スコア（独自算出の注目度）: 1.7188280334580197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The estimation of model parameters with uncertainties from observed data is a
ubiquitous inverse problem in science and engineering. In this paper, we
suggest an inexpensive and easy to implement parameter estimation technique
that uses a heteroscedastic Bayesian Neural Network trained using anchored
ensembling. The heteroscedastic aleatoric error of the network models the
irreducible uncertainty due to parameter degeneracies in our inverse problem,
while the epistemic uncertainty of the Bayesian model captures uncertainties
which may arise from an input observation's out-of-distribution nature. We use
this tool to perform real-time parameter inference in a 6 parameter G-equation
model of a ducted, premixed flame from observations of acoustically excited
flames. We train our networks on a library of 2.1 million simulated flame
videos. Results on the test dataset of simulated flames show that the network
recovers flame model parameters, with the correlation coefficient between
predicted and true parameters ranging from 0.97 to 0.99, and well-calibrated
uncertainty estimates. The trained neural networks are then used to infer model
parameters from real videos of a premixed Bunsen flame captured using a
high-speed camera in our lab. Re-simulation using inferred parameters shows
excellent agreement between the real and simulated flames. Compared to Ensemble
Kalman Filter-based tools that have been proposed for this problem in the
combustion literature, our neural network ensemble achieves better
data-efficiency and our sub-millisecond inference times represent a savings on
computational costs by several orders of magnitude. This allows us to calibrate
our reduced-order flame model in real-time and predict the thermoacoustic
instability behaviour of the flame more accurately.
- Abstract（参考訳）: 観測データから不確実性を持つモデルパラメータの推定は、科学および工学におけるユビキタスな逆問題である。
本稿では,アンカー付きアンサンブルを用いて学習したヘテロ代用ベイズニューラルネットワークを用いた,安価で簡単なパラメータ推定手法を提案する。
逆問題におけるパラメータの縮退による既約不確かさをネットワークの非定常的アレター的誤差がモデル化する一方、ベイズモデルのエピステマティック不確かさは、入力観測の分布外の性質から生じる不確かさを捉える。
本手法は,ダクト状予混合火炎の6パラメータg系列モデルにおいて,音響励起火炎の観測から実時間パラメータ推定を行う。
ネットワークの訓練は 210万本の 模擬火炎ビデオのライブラリーで行われます
その結果,0.97から0.99までの予測パラメータと真のパラメータの相関係数と,不確実性推定値との相関関係から,ネットワークが火炎モデルパラメータを復元できることが確認された。
トレーニングされたニューラルネットワークは、私たちの研究室で高速カメラを使って撮影した、プレミックスされたブンゼン火炎の実ビデオからモデルパラメータを推測するために使用される。
推定パラメータを用いた再シミュレーションは実火炎と模擬火炎との間に優れた一致を示す。
燃焼文献でこの問題に提案されているkalmanフィルタベースのツールと比較して,ニューラルネットワークアンサンブルはより優れたデータ効率を実現し,サブミリ秒の推論時間は数桁の計算コストの節約を示す。
これにより, 劣化した火炎モデルをリアルタイムにキャリブレーションし, 火炎の熱音響不安定挙動をより正確に予測することができる。
関連論文リスト
- Conditional score-based diffusion models for solving inverse problems in mechanics [6.319616423658121]
条件付きスコアベース拡散モデルを用いてベイズ推定を行う枠組みを提案する。
条件付きスコアベース拡散モデルは条件分布のスコア関数を近似する生成モデルである。
メカニクスにおける高次元逆問題に対して提案手法の有効性を示す。
論文 参考訳（メタデータ） (2024-06-19T02:09:15Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Bayesian Physics Informed Neural Networks for Data Assimilation and
Spatio-Temporal Modelling of Wildfires [11.00425904688764]
我々は、レベルセット関数のゼロレベルセットを通してファイアフロントをモデル化する偏微分方程式であるレベルセット方程式を、PINNを用いて解く。
負荷変数が極端に変化した場合、一般的なコスト関数は、モデル化されたファイアフロントにおける時間的連続性を維持できないことを示す。
我々は, PINN内のデータ同化を行う手法を開発し, モデル化されたPIN予測を火災前兆の観測に向ける。
論文 参考訳（メタデータ） (2022-12-02T05:00:41Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Combining data assimilation and machine learning to estimate parameters
of a convective-scale model [0.0]
対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。
本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
論文 参考訳（メタデータ） (2021-09-07T09:17:29Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Online parameter inference for the simulation of a Bunsen flame using
heteroscedastic Bayesian neural network ensembles [2.1485350418225244]
本論文では,事前混合火炎のG方程式モデルのパラメータをオンライン推論するためのデータ駆動型機械学習手法を提案する。
提案手法は,アンサンブルカルマンフィルタで得られた結果と一致する安価でオンラインなパラメータと不確実性推定を計算コストで提供する。
論文 参考訳（メタデータ） (2021-04-26T16:47:43Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳（メタデータ） (2020-12-12T01:20:42Z)
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。