論文の概要: Assessment of machine learning methods for state-to-state approaches
- arxiv url: http://arxiv.org/abs/2104.01042v1
- Date: Fri, 2 Apr 2021 13:27:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 13:39:52.247963
- Title: Assessment of machine learning methods for state-to-state approaches
- Title（参考訳）: 状態間アプローチのための機械学習手法の評価
- Authors: Lorenzo Campoli, Elena Kustova, Polina Maltseva
- Abstract要約: 状態間アプローチにおける機械学習手法の適用の可能性について検討する。
ディープニューラルネットワークは、これらのタスクでも実行可能な技術であるようだ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: It is well known that numerical simulations of high-speed reacting flows, in
the framework of state-to-state formulations, are the most detailed but also
often prohibitively computationally expensive. In this work, we start to
investigate the possibilities offered by the use of machine learning methods
for state-to-state approaches to alleviate such burden.
In this regard, several tasks have been identified. Firstly, we assessed the
potential of state-of-the-art data-driven regression models based on machine
learning to predict the relaxation source terms which appear in the right-hand
side of the state-to-state Euler system of equations for a one-dimensional
reacting flow of a N$_2$/N binary mixture behind a plane shock wave. It is
found that, by appropriately choosing the regressor and opportunely tuning its
hyperparameters, it is possible to achieve accurate predictions compared to the
full-scale state-to-state simulation in significantly shorter times.
Secondly, we investigated different strategies to speed-up our in-house
state-to-state solver by coupling it with the best-performing pre-trained
machine learning algorithm. The embedding of machine learning methods into
ordinary differential equations solvers may offer a speed-up of several orders
of magnitude but some care should be paid for how and where such coupling is
realized. Performances are found to be strongly dependent on the mutual nature
of the interfaced codes.
Finally, we aimed at inferring the full solution of the state-to-state Euler
system of equations by means of a deep neural network completely by-passing the
use of the state-to-state solver while relying only on data. Promising results
suggest that deep neural networks appear to be a viable technology also for
these tasks.
- Abstract（参考訳）: 高速反応流の数値シミュレーションは、状態から状態への定式化の枠組みにおいて、最も詳細であるがしばしば計算コストが高いことが知られている。
本研究では,このような負担を軽減するための州間アプローチにおいて,機械学習手法がもたらす可能性について検討する。
この点で、いくつかのタスクが特定されている。
まず,n$_2$/nの二元混合系の平面衝撃波背後の一次元反応流に対して,方程式の定常オイラー系の右辺に現れる緩和源項を予測するために,機械学習に基づく最先端データ駆動回帰モデルの可能性を評価した。
その結果, 回帰器を適切に選択し, 過パラメータを最適に調整することにより, 大規模状態間シミュレーションに比べて極めて短い時間で正確な予測が可能であることがわかった。
第二に、社内のステート・ツー・ステート・ソルバを最適性能の機械学習アルゴリズムと組み合わせて高速化するための様々な戦略を検討した。
通常の微分方程式の解法に機械学習法を組み込むことは、数桁のスピードアップを提供するが、そのような結合を実現する方法と方法には注意が必要だ。
性能は、インターフェース化されたコードの相互の性質に強く依存している。
最後に,データのみに依存した状態間解法を完全パスすることで,ニューラルネットワークを用いて状態間オイラー方程式の完全解を推定することを目的とした。
有望な結果は、ディープニューラルネットワークがこれらのタスクにも有効な技術であることを示唆している。
関連論文リスト
- Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - The Unreasonable Effectiveness of Solving Inverse Problems with Neural Networks [24.766470360665647]
逆問題に対する解を学ぶために訓練されたニューラルネットワークは、トレーニングセット上でも古典よりも優れた解を見つけることができることを示す。
高速な推論のために新しいデータに一般化するのではなく、既知のデータに対するより良い解決策を見つけるためにも使用できる。
論文 参考訳（メタデータ） (2024-08-15T12:38:10Z) - Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。
我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。
提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文 参考訳（メタデータ） (2024-06-20T15:25:13Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Learning neural state-space models: do we need a state estimator? [0.0]
我々は、広範囲な実験と分析に基づいて、ニューラルステートスペーストレーニングアルゴリズムの校正のための洞察を提供する。
初期状態推定の選択と役割に特に焦点をあてる。
動的システムのある種のクラスにおいて高い性能を達成するためには,先進的な初期状態推定手法が本当に必要であることを示す。
論文 参考訳（メタデータ） (2022-06-26T17:15:35Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T07:46:54Z) - Long-time integration of parametric evolution equations with
physics-informed DeepONets [0.0]
ランダムな初期条件を関連するPDE解に短時間でマッピングする無限次元演算子を学習するための効果的なフレームワークを提案する。
その後、訓練されたモデルを反復的に評価することにより、一連の初期条件にわたるグローバルな長期予測が得られる。
これは時間領域分解に対する新しいアプローチを導入し、正確な長期シミュレーションを実行するのに有効であることを示した。
論文 参考訳（メタデータ） (2021-06-09T20:46:17Z) - 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) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z)
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。