論文の概要: An unsupervised machine-learning checkpoint-restart algorithm using
Gaussian mixtures for particle-in-cell simulations
- arxiv url: http://arxiv.org/abs/2105.13797v1
- Date: Wed, 17 Mar 2021 01:38:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 20:53:34.313092
- Title: An unsupervised machine-learning checkpoint-restart algorithm using
Gaussian mixtures for particle-in-cell simulations
- Title(参考訳): ガウス混合を用いた教師なし機械学習チェックポイント再起動アルゴリズムによる細胞内粒子シミュレーション
- Authors: Guangye Chen, Luis Chac\'on, Truong B. Nguyen
- Abstract要約: ガウス混合(GM)を用いたパーティクル・イン・セル(PIC)アルゴリズムのための教師なし機械学習チェックポイント・リスタート(CR)損失アルゴリズムを提案する。
このアルゴリズムは粒子圧縮段階と、連続体粒子分布関数をそれぞれ構築して再サンプリングする粒子再構成段階を特徴とする。
最近開発されたエネルギー・電荷保存型PICアルゴリズムを用いて、圧縮係数が$gtrsim75$であり、再起動したダイナミクスの品質に何の影響も及ばないアルゴリズムを実証した。
- 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: We propose an unsupervised machine-learning checkpoint-restart (CR) lossy
algorithm for particle-in-cell (PIC) algorithms using Gaussian mixtures (GM).
The algorithm features a particle compression stage and a particle
reconstruction stage, where a continuum particle distribution function is
constructed and resampled, respectively. To guarantee fidelity of the CR
process, we ensure the exact preservation of charge, momentum, and energy for
both compression and reconstruction stages, everywhere on the mesh. We also
ensure the preservation of Gauss' law after particle reconstruction. As a
result, the GM CR algorithm is shown to provide a clean, conservative restart
capability while potentially affording orders of magnitude savings in
input/output requirements. We demonstrate the algorithm using a recently
developed exactly energy- and charge-conserving PIC algorithm on physical
problems of interest, with compression factors $\gtrsim75$ with no appreciable
impact on the quality of the restarted dynamics.
- Abstract(参考訳): ガウス混合(GM)を用いたPICアルゴリズムのための教師なし機械学習チェックポイント再起動(CR)損失アルゴリズムを提案する。
このアルゴリズムは粒子圧縮段階と、連続体粒子分布関数をそれぞれ構築して再サンプリングする粒子再構成段階を特徴とする。
CRプロセスの忠実性を保証するため、メッシュ上の至る所で圧縮および再構成段階の電荷、運動量、エネルギーの正確な保存を確保する。
また,粒子再構成後のガウスの法則の保存も確保する。
その結果、GM CRアルゴリズムはクリーンで保守的な再起動機能を提供し、入力/出力要求の大幅な削減を可能としている。
本研究では,最近開発されたエネルギー・電荷保存型picアルゴリズムを用いて圧縮係数$\gtrsim75$を用いて,再生ダイナミクスの品質に何の影響も及ぼさないことを示す。
関連論文リスト
- DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。
大規模な環境下では、復元の質が悪くなる場合が少なくない。
本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文 参考訳(メタデータ) (2024-11-19T07:51:44Z) - Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。
我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。
RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
論文 参考訳(メタデータ) (2022-10-21T15:56:13Z) - End-to-end multi-particle reconstruction in high occupancy imaging
calorimeters with graph neural networks [18.347013421412793]
本研究では,検出器ヒットから粒子候補を粒度計で生成するエンド・ツー・エンドの再構成アルゴリズムを提案する。
このアルゴリズムは距離重み付きグラフニューラルネットワークを利用して、グラフセグメンテーション技術であるオブジェクト凝縮を訓練する。
この研究は、200の知識を積み重ねた高輝度条件下での1枚あたりのO(1000)$の粒子の1回の熱量再構成の例である。
論文 参考訳(メタデータ) (2022-04-04T17:51:43Z) - Machine Learning for Particle Flow Reconstruction at CMS [7.527568379083754]
CMSのための機械学習に基づく粒子フローアルゴリズムの実装について詳述する。
このアルゴリズムは、温度計クラスタとトラックに基づいて安定粒子を再構成し、グローバルなイベント再構成を提供する。
論文 参考訳(メタデータ) (2022-03-01T10:11:44Z) - A Robust Phased Elimination Algorithm for Corruption-Tolerant Gaussian
Process Bandits [118.22458816174144]
そこで本稿では,エポックで動作するロバストな除去型アルゴリズムを提案し,探索と頻繁な切替を併用して,小さなアクションサブセットを選択し,各アクションを複数タイミングで実行する。
我々のアルゴリズムであるGP Robust Phased Elimination (RGP-PE) は、探索とエクスプロイトによる汚職に対するロバストネスのバランスに成功している。
GPバンディット設定におけるロバスト性の最初の実証的研究を行い,アルゴリズムが様々な敵攻撃に対してロバストであることを示す。
論文 参考訳(メタデータ) (2022-02-03T21:19:36Z) - Robust Quantum Control using Hybrid Pulse Engineering [0.0]
勾配に基づく最適化アルゴリズムは、初期推定に対する感度によって制限される。
我々の数値解析は、その収束速度が優れていることを裏付ける。
本稿では,雑音場を組み込んだノイズ耐性量子制御法について述べる。
論文 参考訳(メタデータ) (2021-12-02T14:29:42Z) - MLPF: Efficient machine-learned particle-flow reconstruction using graph
neural networks [0.0]
汎用粒子検出器では、粒子フローアルゴリズムを用いて事象の粒子レベルビューを再構築することができる。
並列化可能,スケーラブル,グラフニューラルネットワークに基づく,エンドツーエンドのトレーニング可能,マシン学習型粒子フローアルゴリズムを提案する。
陽子-陽子衝突で生成したトップクォーク-反クォーク対のモンテカルロデータセット上で,アルゴリズムの物理および計算性能について報告する。
論文 参考訳(メタデータ) (2021-01-21T12:47:54Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-11-18T16:40:45Z) - Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering
Incorporating Morphological Reconstruction and Wavelet Frames for Image
Segmentation [152.609322951917]
そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。
提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
論文 参考訳(メタデータ) (2020-02-21T05:19:10Z) - Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological
Reconstruction and Wavelet frames [146.63177174491082]
Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。
特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。
合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
論文 参考訳(メタデータ) (2020-02-14T10:00:03Z)
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。