論文の概要: Surrogate Models for Optimization of Dynamical Systems
- arxiv url: http://arxiv.org/abs/2101.10189v1
- Date: Fri, 22 Jan 2021 14:09:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 23:50:27.179309
- Title: Surrogate Models for Optimization of Dynamical Systems
- Title(参考訳): 動的システムの最適化のためのサロゲートモデル
- Authors: Kainat Khowaja, Mykhaylo Shcherbatyy, Wolfgang Karl H\"ardle
- Abstract要約: 本稿では,低次元サロゲートモデルを構築するためのスマートデータ駆動機構を提供する。
これらの代理モデルは、複雑な最適化問題の解の計算時間を短縮する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driven by increased complexity of dynamical systems, the solution of system
of differential equations through numerical simulation in optimization problems
has become computationally expensive. This paper provides a smart data driven
mechanism to construct low dimensional surrogate models. These surrogate models
reduce the computational time for solution of the complex optimization problems
by using training instances derived from the evaluations of the true objective
functions. The surrogate models are constructed using combination of proper
orthogonal decomposition and radial basis functions and provides system
responses by simple matrix multiplication. Using relative maximum absolute
error as the measure of accuracy of approximation, it is shown surrogate models
with latin hypercube sampling and spline radial basis functions dominate
variable order methods in computational time of optimization, while preserving
the accuracy. These surrogate models also show robustness in presence of model
non-linearities. Therefore, these computational efficient predictive surrogate
models are applicable in various fields, specifically to solve inverse problems
and optimal control problems, some examples of which are demonstrated in this
paper.
- Abstract(参考訳): 力学系の複雑性の増大により、最適化問題における数値シミュレーションによる微分方程式の解法は計算コストが高くなっている。
本稿では,低次元サロゲートモデルを構築するためのスマートデータ駆動機構を提供する。
これらのサロゲートモデルは、真の目的関数の評価から得られたトレーニングインスタンスを使用することで、複雑な最適化問題の解の計算時間を短縮する。
代理モデルは、正規直交分解と放射基底関数を組み合わせて構成され、単純な行列乗算によるシステム応答を提供する。
相対的な絶対誤差を近似の精度の尺度として用いて、ラテンハイパーキューブサンプリングとスプラインラジアル基底関数が精度を保ちながら、最適化の計算時間において変数順序法を支配していることを示す。
これらの代理モデルは、モデル非線型性の存在において堅牢性を示す。
したがって,これらの計算効率の高い予測サーロゲートモデルは様々な分野,特に逆問題や最適制御問題の解法に適用できる。
- 全文 参考訳へのリンク
関連論文リスト
- Generalised Latent Assimilation in Heterogeneous Reduced Spaces with
Machine Learning Surrogate Models [10.410970649045943]
我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。
一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
論文 参考訳(メタデータ) (2022-04-07T15:13:12Z) - Matrix Completion via Non-Convex Relaxation and Adaptive Correlation
Learning [90.8576971748142]
閉形式解によって最適化できる新しいサロゲートを開発する。
そこで我々は, 上向きの相関関係を利用して, 適応的相関学習モデルを構築した。
論文 参考訳(メタデータ) (2022-03-04T08:50:50Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - Message Passing Neural PDE Solvers [60.77761603258397]
偏微分方程式(PDE)の数値解は困難であり、これまでの1世紀にわたる研究に繋がった。
近年、ニューラルネットワークと数値のハイブリッド・ソルバの構築が推進されており、これは現代のエンドツーエンドの学習システムへのトレンドを後押ししている。
この研究では、すべてのコンポーネントがニューラルメッセージパッシングに基づいて、これらの特性を満たす解決器を構築します。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳(メタデータ) (2021-08-04T07:07:47Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z) - Solving weakly supervised regression problem using low-rank manifold
regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。
weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。
数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文 参考訳(メタデータ) (2021-04-13T23:21:01Z) - Slowly Varying Regression under Sparsity [2.7910505923792637]
分散制約のあるゆるやかに変化する回帰モデルにおける推定問題を考える。
我々は,実現可能な解を生成できるアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-02-22T04:51:44Z) - Non-intrusive surrogate modeling for parametrized time-dependent PDEs
using convolutional autoencoders [0.0]
パラメータ化時間依存PDEによる複雑系の予測モデリングのための機械学習に基づく非侵襲的代理モデリング手法を提案する。
我々は、畳み込みオートエンコーダをフィードフォワードニューラルネットワークと組み合わせて、問題のパラメトリック空間から解空間への低コストで正確なマッピングを確立する。
論文 参考訳(メタデータ) (2021-01-14T11:34:58Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z)
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。