論文の概要: Deep neural network enabled corrective source term approach to hybrid analysis and modeling

• arxiv url: http://arxiv.org/abs/2105.11521v1
• Date: Mon, 24 May 2021 20:17:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 13:44:10.269103
• Title: Deep neural network enabled corrective source term approach to hybrid analysis and modeling
• Title（参考訳）: ディープニューラルネットワークによるハイブリッド分析とモデリングのための補正ソース項アプローチ
• Authors: Sindre Stenen Blakseth and Adil Rasheed and Trond Kvamsdal and Omer San
• Abstract要約: ハイブリッド分析モデリング(Hybrid Analysis and Modeling, HAM)は、物理に基づくモデリングとデータ駆動モデリングを組み合わせることを目的とした、新しいモデリングパラダイムである。 補正元項アプローチ(CoSTA)のHAMに対する新しいアプローチを導入し、正当化し、実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid Analysis and Modeling (HAM) is an emerging modeling paradigm which aims to combine physics-based modeling (PBM) and data-driven modeling (DDM) to create generalizable, trustworthy, accurate, computationally efficient and self-evolving models. Here, we introduce, justify and demonstrate a novel approach to HAM -- the Corrective Source Term Approach (CoSTA) -- which augments the governing equation of a PBM model with a corrective source term generated by a deep neural network (DNN). In a series of numerical experiments on one-dimensional heat diffusion, CoSTA is generally found to outperform comparable DDM and PBM models in terms of accuracy -- often reducing predictive errors by several orders of magnitude -- while also generalizing better than pure DDM. Due to its flexible but solid theoretical foundation, CoSTA provides a modular framework for leveraging novel developments within both PBM and DDM, and due to the interpretability of the DNN-generated source term within the PBM paradigm, CoSTA can be a potential door-opener for data-driven techniques to enter high-stakes applications previously reserved for pure PBM.
• Abstract（参考訳）: ハイブリッド分析モデリング(Hybrid Analysis and Modeling, HAM)は、物理に基づくモデリング(PBM)とデータ駆動モデリング(DDM)を組み合わせて、一般化可能で信頼性が高く、正確で、計算効率が良く、自己進化的なモデルを作成することを目的とした、新しいモデリングパラダイムである。 本稿では,深層ニューラルネットワーク(DNN)によって生成された補正元項を用いて,PBMモデルの制御方程式を強化するHAM -- Corrective Source Term Approach (CoSTA) -- の新たなアプローチを紹介し,正当化し,実証する。 一次元の熱拡散に関する一連の数値実験において、CoSTAは一般的に、DDMとPBMのモデルに匹敵する精度(しばしば予測誤差を桁違いに減少させる)で優れ、純粋なDDMよりも良く一般化する。 costaは柔軟性と強固な理論的基盤のため、pbmとddmの両方で新たな開発を活用するためのモジュラーフレームワークを提供しており、pbmパラダイムにおけるdnn生成のソース用語の解釈可能性によって、データ駆動技術が以前は純粋なpbmのために予約されていた高スループットアプリケーションに入るための扉を開く可能性がある。

関連論文リスト

• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Bayesian tomography using polynomial chaos expansion and deep generative networks [0.0]
  可変オートエンコーダ(VAE)の優れた再構成性能とPCA-PCEサロゲートモデリングの精度を組み合わせた戦略を提案する。 MCMCプロセス内では、VOEのパラメトリゼーションが事前の探査とサンプル提案に利用される。
  論文  参考訳（メタデータ） (2023-07-09T16:44:37Z)
• Deep Generative Modeling with Backward Stochastic Differential Equations [0.0]
  本稿では、後方微分方程式の柔軟性と深部ニューラルネットワークのパワーを組み合わせた、BSDE-Genと呼ばれる新しい深部生成モデルを提案する。 生成モデリングプロセスにおける不確実性の取り込みにより、BSDE-Genは高次元データを生成するための効果的で自然なアプローチとなる。
  論文  参考訳（メタデータ） (2023-04-08T15:37:38Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• Deep Generative Modeling on Limited Data with Regularization by Nontransferable Pre-trained Models [32.52492468276371]
  本稿では,限られたデータを用いた生成モデルの分散を低減するために,正規化深層生成モデル(Reg-DGM)を提案する。 Reg-DGMは、ある発散の重み付け和とエネルギー関数の期待を最適化するために、事前訓練されたモデルを使用する。 実験的に、様々な事前訓練された特徴抽出器とデータ依存エネルギー関数により、Reg-DGMはデータ制限のある強力なDGMの生成性能を一貫して改善する。
  論文  参考訳（メタデータ） (2022-08-30T10:28:50Z)
• Combining physics-based and data-driven techniques for reliable hybrid analysis and modeling using the corrective source term approach [0.0]
  デジタル双生児、自律型、人工知能システムは正確で解釈可能で、計算効率が高く、一般化可能なモデルを必要とする。 物理に基づくモデリングとデータ駆動モデリングを組み合わせたハイブリッドアプローチが、両方のモデルを上回る結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-06-07T17:10:58Z)
• Bagging, optimized dynamic mode decomposition (BOP-DMD) for robust, stable forecasting with spatial and temporal uncertainty-quantification [2.741266294612776]
  動的モード分解(DMD)は、時間的または時間的データのスナップショット上で、最適な線形力学モデルを学習するためのフレームワークを提供する。 DMDアルゴリズムの大多数は、力学のノイズ測定によるバイアスエラーを起こしやすいため、モデル適合性の低下と不安定な予測能力に繋がる。 最適化されたMDDアルゴリズムは、変数予測最適化によりモデルバイアスを最小限に抑え、安定化された予測能力をもたらす。
  論文  参考訳（メタデータ） (2021-07-22T18:14:20Z)
• 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)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)

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。