論文の概要: Multi-Output Random Forest Regression to Emulate the Earliest Stages of Planet Formation

• arxiv url: http://arxiv.org/abs/2104.12845v1
• Date: Mon, 26 Apr 2021 19:51:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 00:52:43.588056
• Title: Multi-Output Random Forest Regression to Emulate the Earliest Stages of Planet Formation
• Title（参考訳）: 惑星形成の最初期の段階をエミュレートする多出力ランダムフォレスト回帰
• Authors: Kevin Hoffman, Jae Yoon Sung, Andr\'e Zazzera
• Abstract要約: 我々は、より高速に近似するシステムを設計するために、機械学習のアプローチを取ります。 ブリュート力シミュレーションデータに基づく多出力ランダムフォレスト回帰モデルを開発した。 その結果,ランダムフォレストモデルがブルト力シミュレーション結果に対して高精度な予測を生成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.1657441317977376
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In the current paradigm of planet formation research, it is believed that the first step to forming massive bodies (such as asteroids and planets) requires that small interstellar dust grains floating through space collide with each other and grow to larger sizes. The initial formation of these pebbles is governed by an integro-differential equation known as the Smoluchowski coagulation equation, to which analytical solutions are intractable for all but the simplest possible scenarios. While brute-force methods of approximation have been developed, they are computationally costly, currently making it infeasible to simulate this process including other physical processes relevant to planet formation, and across the very large range of scales on which it occurs. In this paper, we take a machine learning approach to designing a system for a much faster approximation. We develop a multi-output random forest regression model trained on brute-force simulation data to approximate distributions of dust particle sizes in protoplanetary disks at different points in time. The performance of our random forest model is measured against the existing brute-force models, which are the standard for realistic simulations. Results indicate that the random forest model can generate highly accurate predictions relative to the brute-force simulation results, with an $R^{2}$ of 0.97, and do so significantly faster than brute-force methods.
• Abstract（参考訳）: 現在の惑星形成研究のパラダイムでは、巨大な天体(小惑星や惑星など)を形成する最初のステップは、宇宙に浮遊する小さな星間塵粒子が衝突し、より大きな大きさに成長することが必要であると考えられている。 これらの小石の初期形成は、最も単純なシナリオを除いて解析解が難解であるsmoluchowski coagulation equationとして知られる積分微分方程式によって制御される。 ブルート力近似法が開発されているが、計算コストは高く、現在、惑星形成に関連する他の物理的過程を含む、非常に広い範囲のスケールでこの過程をシミュレートすることは不可能である。 本稿では,より高速に近似するシステムを設計するための機械学習手法を提案する。 本研究では,プロトプラネタリーディスクの粉塵粒径分布を時間差で近似するために,ブライト力シミュレーションデータに基づいて学習した多出力ランダム森林回帰モデルを開発した。 我々のランダムフォレストモデルの性能は、実シミュレーションの標準である既存のブルート力モデルに対して測定される。 その結果,ランダムフォレストモデルでは,ブルト力シミュレーション結果と比較して高精度な予測が可能であり,r^{2}$0.97で,ブルト力シミュレーションよりも有意に高速であることがわかった。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
  我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。 本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
  論文  参考訳（メタデータ） (2023-10-19T07:51:39Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• A Neural Network Subgrid Model of the Early Stages of Planet Formation [1.8641315013048296]
  本研究では,高分解能数値シミュレーションから得られたデータに基づいて,高速かつ正確な集塵モデルを提案する。 提案モデルでは, 従来, 類似の計算効率を持つ他の粉塵凝集処方令では処理不可能であった粉塵凝固プロセスの詳細を把握した。
  論文  参考訳（メタデータ） (2022-11-08T10:59:57Z)
• Residual Neural Networks for the Prediction of Planetary Collision Outcomes [0.0]
  N体惑星形成シミュレーションにおいて,衝突の迅速かつ正確な処理を行う機械学習(ML)モデルを提案する。 我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。 我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
  論文  参考訳（メタデータ） (2022-10-09T12:42:43Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Fast and realistic large-scale structure from machine-learning-augmented random field simulations [0.0]
  我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。 本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
  論文  参考訳（メタデータ） (2022-05-16T18:00:01Z)
• Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
  我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。 我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
  論文  参考訳（メタデータ） (2020-12-01T03:30:37Z)
• Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
  ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。 現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。 そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:33:44Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)
• Efficient classical simulation of random shallow 2D quantum circuits [104.50546079040298]
  ランダム量子回路は古典的にシミュレートするのは難しいと見なされる。 典型例の近似シミュレーションは, 正確なシミュレーションとほぼ同程度に困難であることを示す。 また、十分に浅いランダム回路はより一般的に効率的にシミュレーション可能であると推測する。
  論文  参考訳（メタデータ） (2019-12-31T19:00:00Z)

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。