論文の概要: Neural Closure Models for Dynamical Systems
- arxiv url: http://arxiv.org/abs/2012.13869v1
- Date: Sun, 27 Dec 2020 05:55:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 00:14:12.019453
- Title: Neural Closure Models for Dynamical Systems
- Title(参考訳): 力学系におけるニューラルクロージャモデル
- Authors: Abhinav Gupta and Pierre F.J. Lermusiaux
- Abstract要約: 低忠実度モデルに対する非マルコフ閉閉パラメータ化を学習する新しい手法を開発した。
ニューラルクロージャモデル」はニューラル遅延微分方程式(nDDE)を用いた低忠実度モデルを強化する
非マルコヴィアンオーバーマルコヴィアンクロージャを使用することで、長期的精度が向上し、より小さなネットワークが必要であることを示した。
- 参考スコア(独自算出の注目度): 35.000303827255024
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Complex dynamical systems are used for predictions in many applications.
Because of computational costs, models are however often truncated, coarsened,
or aggregated. As the neglected and unresolved terms along with their
interactions with the resolved ones become important, the usefulness of model
predictions diminishes. We develop a novel, versatile, and rigorous methodology
to learn non-Markovian closure parameterizations for low-fidelity models using
data from high-fidelity simulations. The new "neural closure models" augment
low-fidelity models with neural delay differential equations (nDDEs), motivated
by the Mori-Zwanzig formulation and the inherent delays in natural dynamical
systems. We demonstrate that neural closures efficiently account for truncated
modes in reduced-order-models, capture the effects of subgrid-scale processes
in coarse models, and augment the simplification of complex biochemical models.
We show that using non-Markovian over Markovian closures improves long-term
accuracy and requires smaller networks. We provide adjoint equation derivations
and network architectures needed to efficiently implement the new discrete and
distributed nDDEs. The performance of discrete over distributed delays in
closure models is explained using information theory, and we observe an optimal
amount of past information for a specified architecture. Finally, we analyze
computational complexity and explain the limited additional cost due to neural
closure models.
- Abstract(参考訳): 複雑な力学系は多くの応用において予測に使用される。
計算コストのため、モデルはしばしば切り詰められ、粗くなり、集約される。
無視され未解決な条件と解決された条件との相互作用が重要になるにつれて、モデル予測の有用性が低下する。
低忠実度モデルの非マルコフ閉包パラメータ化を高忠実度シミュレーションのデータを用いて学習するための新しい汎用的・厳密な手法を開発した。
ニューラルクロージャモデル」は、モリ・ズワンジグの定式化と自然力学系の固有遅延によって動機付けられた、神経遅延微分方程式(nDDE)を用いた低忠実度モデルを強化する。
ニューラルクロージャが低次モデルにおける停止モードを効率的に考慮し、粗いモデルにおけるサブグリッドスケールプロセスの効果を捉え、複雑な生化学モデルの単純化を促進することを実証する。
マルコフ閉包に非マルコフ閉包を用いることで、長期的精度が向上し、ネットワークが小さくなることを示す。
新しい離散分散nddesを効率的に実装するために必要となる随伴方程式導出とネットワークアーキテクチャを提供する。
閉包モデルにおける離散的分散遅延の性能を情報理論を用いて説明し、特定のアーキテクチャにおいて最適な過去の情報量を観察した。
最後に,計算複雑性を分析し,ニューラルクロージャモデルによる追加コストの制限を説明する。
関連論文リスト
- On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - 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) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Efficient hierarchical Bayesian inference for spatio-temporal regression
models in neuroimaging [6.512092052306553]
例えば、M/EEG逆問題、タスクベースのfMRI分析のためのニューラルネットワークの符号化、温度モニタリングスキームなどがある。
モデルパラメータとノイズの内在的時間的ダイナミクスをモデル化した,新しい階層型フレキシブルベイズフレームワークを考案する。
論文 参考訳(メタデータ) (2021-11-02T15:50:01Z) - A Framework for Machine Learning of Model Error in Dynamical Systems [7.384376731453594]
データから動的システムを特定するために,機械的アプローチと機械学習アプローチを混在させる統一フレームワークを提案する。
モデルエラーがメモリレスであり、大きなメモリを持つ問題に対して、連続時間と離散時間の両方で問題を提起した。
ハイブリッド手法は、データ飢餓、モデルの複雑さの要求、全体的な予測性能において、データ駆動アプローチよりも大幅に優れています。
論文 参考訳(メタデータ) (2021-07-14T12:47:48Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳(メタデータ) (2021-06-24T01:40:17Z) - 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) - 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。