Fugu-MT 論文翻訳(概要): Hybrid computer approach to train a machine learning system

論文の概要: Hybrid computer approach to train a machine learning system

arxiv url: http://arxiv.org/abs/2103.07802v1
Date: Sat, 13 Mar 2021 22:01:47 GMT
ステータス: 処理完了
システム内更新日: 2021-03-17 06:37:15.020525
Title: Hybrid computer approach to train a machine learning system
Title（参考訳）: 機械学習システムのトレーニングのためのハイブリッドコンピュータアプローチ
Authors: Mirko Holzer, Bernd Ulmann
Abstract要約: 本章では、ハイブリッドコンピュータのセットアップを用いて機械学習システムのトレーニングを行う新しいアプローチについて記述する。例えば、強化学習システムは、アナログコンピュータ上でシミュレートされた倒立振子のバランスをとるために訓練される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This book chapter describes a novel approach to training machine learning systems by means of a hybrid computer setup i.e. a digital computer tightly coupled with an analog computer. As an example a reinforcement learning system is trained to balance an inverted pendulum which is simulated on an analog computer, thus demonstrating a solution to the major challenge of adequately simulating the environment for reinforcement learning.
Abstract（参考訳）: 本章では,ハイブリッドコンピュータによる機械学習システムの学習への新しいアプローチについて述べる。アナログコンピュータと密に結合されたデジタルコンピュータ。例えば、強化学習システムは、アナログコンピュータ上でシミュレートされた逆振子のバランスをとるために訓練され、強化学習の環境を適切にシミュレートする大きな課題に対する解決策が示される。

関連論文リスト

Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。まず, 従来の貯水池計算が優れていることを示す。次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文参考訳（メタデータ） (2023-07-14T07:05:17Z)
In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文参考訳（メタデータ） (2023-06-22T14:07:54Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
今後のエクサスケール時代は次世代の物理シミュレーションを高解像度で提供しますこれらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Learning unseen coexisting attractors [0.0]
貯留層コンピューティング(Reservoir computing)は、動的システムの代理モデルを生成する機械学習アプローチである。ここでは、異なる時間スケールと複数の共存する動的状態(トラクター)の両方を持つ力学系を学習する際の課題について研究する。次世代貯水池コンピューティングアプローチでは、トレーニングデータが少ない$sim 1.7倍、短いウォームアップ時間が必要な$103倍、既存のアトラクタ特性を予測する上で、$sim 100times$高い精度を持つことを示す。
論文参考訳（メタデータ） (2022-07-28T14:55:14Z)
Nonlinear Autoregression with Convergent Dynamics on Novel Computational Platforms [0.0]
貯留層計算は時間情報処理に非線形力学系を利用する。本稿では、定常およびエルゴードの無限次非線形自己回帰モデルとして出力フィードバックを持つ貯水池コンピュータを紹介する。
論文参考訳（メタデータ） (2021-08-18T07:01:16Z)
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)
Online training for high-performance analogue readout layers in photonic reservoir computers [2.6104700758143666]
貯留層コンピューティング(Reservoir Computing)は、時間依存の信号を処理するためのバイオインスパイアされたコンピューティングパラダイムである。これらの実装の主なボトルネックは、遅いオフラインの事後処理に基づく読み出し層である。本稿では,これらの問題を解決するためのオンライントレーニングを提案する。
論文参考訳（メタデータ） (2020-12-19T07:12:26Z)
Transfer Learning as an Enabler of the Intelligent Digital Twin [0.0]
デジタルツインは、仮想コミッショニング、障害予測、再構成計画など、多くの分野で有益であると説明されてきた。本稿では,知的デジタルツインを用いた多段階産業移行学習のユースケースについて述べる。
論文参考訳（メタデータ） (2020-12-03T13:51:05Z)
Transfer learning of chaotic systems [9.374455902294214]
結合型貯水池コンピュータの連鎖に沿った知識伝達も研究されている。モデリングシステムから学んだ知識は,実験システムの進化を予測するのに有効であることを示す。
論文参考訳（メタデータ） (2020-11-15T04:09:35Z)
Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems [48.7576911714538]
我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
論文参考訳（メタデータ） (2020-02-10T23:21:50Z)

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。