論文の概要: Gradient-free optimization of chaotic acoustics with reservoir computing
- arxiv url: http://arxiv.org/abs/2106.09780v1
- Date: Thu, 17 Jun 2021 19:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 13:56:19.720761
- Title: Gradient-free optimization of chaotic acoustics with reservoir computing
- Title（参考訳）: 貯留層計算によるカオス音響の勾配なし最適化
- Authors: Francisco Huhn and Luca Magri
- Abstract要約: 時間平均音響コスト関数を最小化する設計パラメータを求める多目的最適化法を開発した。
この方法は、勾配のないモデルインフォームドと、エコー状態ネットワークに基づく貯水池計算によるデータ駆動である。
- 参考スコア（独自算出の注目度）: 6.345523830122166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a versatile optimization method, which finds the design parameters
that minimize time-averaged acoustic cost functionals. The method is
gradient-free, model-informed, and data-driven with reservoir computing based
on echo state networks. First, we analyse the predictive capabilities of echo
state networks both in the short- and long-time prediction of the dynamics. We
find that both fully data-driven and model-informed architectures learn the
chaotic acoustic dynamics, both time-accurately and statistically. Informing
the training with a physical reduced-order model with one acoustic mode
markedly improves the accuracy and robustness of the echo state networks,
whilst keeping the computational cost low. Echo state networks offer accurate
predictions of the long-time dynamics, which would be otherwise expensive by
integrating the governing equations to evaluate the time-averaged quantity to
optimize. Second, we couple echo state networks with a Bayesian technique to
explore the design thermoacoustic parameter space. The computational method is
minimally intrusive. Third, we find the set of flame parameters that minimize
the time-averaged acoustic energy of chaotic oscillations, which are caused by
the positive feedback with a heat source, such as a flame in gas turbines or
rocket motors. These oscillations are known as thermoacoustic oscillations. The
optimal set of flame parameters is found with the same accuracy as brute-force
grid search, but with a convergence rate that is more than one order of
magnitude faster. This work opens up new possibilities for non-intrusive
(``hands-off'') optimization of chaotic systems, in which the cost of
generating data, for example from high-fidelity simulations and experiments, is
high.
- Abstract（参考訳）: 時間平均音響コスト関数を最小化する設計パラメータを求める多目的最適化法を開発した。
この方法は勾配フリー、モデルインフォームド、エコー状態ネットワークに基づく貯留層計算によるデータ駆動である。
まず, エコー状態ネットワークの予測能力を, 短時間・長時間のダイナミックス予測において解析する。
完全なデータ駆動アーキテクチャとモデル駆動アーキテクチャの両方が、時間的および統計的にカオス音響力学を学ぶことがわかりました。
1つの音響モードを持つ物理的減階モデルでトレーニングを行うと、計算コストを低く保ちながら、エコー状態ネットワークの精度と堅牢性が著しく向上する。
エコー状態ネットワークは、時間平均量を評価するために支配方程式を統合することで、時間的ダイナミクスの正確な予測を提供する。
第二に、エコー状態ネットワークとベイズ法による設計熱音響パラメータ空間の探索を行う。
計算方法は最小限の侵入である。
第3に,ガスタービンやロケットモータの火炎などの熱源との正のフィードバックによって発生するカオス振動の時間平均音響エネルギーを最小化する火炎パラメータの組を求める。
これらの振動は熱音響振動として知られる。
火炎パラメータの最適セットはブルートフォースグリッド探索と同じ精度で見つかるが、収束速度は1桁以上高速である。
この研究は、例えば高忠実度シミュレーションや実験からデータを生成するコストが高いカオスシステムの非侵入的(`hands-off'')最適化の新たな可能性を開く。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting [17.530885640317372]
本稿では,新しいプロンプトチューニングに基づく連続予測手法を提案する。
具体的には,基本時相グラフニューラルネットワークと連続的なプロンプトプールをメモリに格納する。
この手法により、モデルが広範囲な時間的データストリームから逐次学習し、対応する期間のタスクを達成できる。
論文 参考訳（メタデータ） (2024-10-16T14:12:11Z) - Modeling Time-Variant Responses of Optical Compressors with Selective State Space Models [0.0]
本稿では,Selective State Spaceモデルを用いたディープニューラルネットワークを用いた光学ダイナミックレンジ圧縮機のモデル化手法を提案する。
ネットワークを動的に調整するために、機能ワイドリニア変調とゲート付きリニアユニットを統合した洗練された技術が特徴である。
提案アーキテクチャは、ライブオーディオ処理において重要な低レイテンシおよびリアルタイムアプリケーションに適している。
論文 参考訳（メタデータ） (2024-08-22T17:03:08Z) - Efficient Numerical Wave Propagation Enhanced By An End-to-End Deep Learning Model [0.0]
本稿では,数値解法とディープラーニングコンポーネントをエンドツーエンドのフレームワークに統合する,新しい統合システムを提案する。
安定かつ高速な解法により、高周波波成分を補正する並列時間アルゴリズムであるPararealが利用可能となる。
論文 参考訳（メタデータ） (2024-02-04T00:07:05Z) - Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。
計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。
我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
論文 参考訳（メタデータ） (2023-06-09T07:02:43Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Deep Impulse Responses: Estimating and Parameterizing Filters with Deep
Networks [76.830358429947]
高雑音および地中設定におけるインパルス応答推定は難しい問題である。
本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T18:57:23Z) - Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。
訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。
本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文 参考訳（メタデータ） (2021-08-11T19:17:39Z) - Real-time parameter inference in reduced-order flame models with
heteroscedastic Bayesian neural network ensembles [1.7188280334580197]
私たちは2100万のシミュレートされたフレイムビデオのライブラリーでネットワークをトレーニングします。
トレーニングされたニューラルネットワークは、プレミックスされたブンゼン火炎の実ビデオからモデルパラメータを推測するために使用される。
論文 参考訳（メタデータ） (2020-10-11T15:04:34Z) - Temporal-Spatial Neural Filter: Direction Informed End-to-End
Multi-channel Target Speech Separation [66.46123655365113]
ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。
主な課題は、複雑な音響環境とリアルタイム処理の要件である。
複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
論文 参考訳（メタデータ） (2020-01-02T11:12:50Z)
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。
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。