論文の概要: MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS
- arxiv url: http://arxiv.org/abs/2107.14362v2
- Date: Sat, 21 Oct 2023 00:51:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 15:27:26.963712
- Title: MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS
- Title（参考訳）: MLMOD: LAMMPSにおけるデータ駆動モデリングのための機械学習手法
- Authors: Paul J. Atzberger
- Abstract要約: マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。
このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
- 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: MLMOD is a software package for incorporating machine learning approaches and
models into simulations of microscale mechanics and molecular dynamics in
LAMMPS. Recent machine learning approaches provide promising data-driven
approaches for learning representations for system behaviors from experimental
data and high fidelity simulations. The package faciliates learning and using
data-driven models for (i) dynamics of the system at larger spatial-temporal
scales (ii) interactions between system components, (iii) features yielding
coarser degrees of freedom, and (iv) features for new quantities of interest
characterizing system behaviors. MLMOD provides hooks in LAMMPS for (i)
modeling dynamics and time-step integration, (ii) modeling interactions, and
(iii) computing quantities of interest characterizing system states. The
package allows for use of machine learning methods with general model classes
including Neural Networks, Gaussian Process Regression, Kernel Models, and
other approaches. Here we discuss our prototype C++/Python package, aims, and
example usage. The package is integrated currently with the mesocale and
molecular dynamics simulation package LAMMPS and PyTorch. For related papers,
examples, updates, and additional information see
https://github.com/atzberg/mlmod and http://atzberger.org/.
- Abstract（参考訳）: MLMODは機械学習アプローチとモデルをLAMMPSのマイクロスケール力学と分子動力学のシミュレーションに組み込むソフトウェアパッケージである。
最近の機械学習アプローチは、実験データと高忠実度シミュレーションからシステム動作の学習表現に有望なデータ駆動型アプローチを提供する。
このパッケージは学習とデータ駆動モデルの使用をファシリケートする
(i)より大きい時空間スケールでのシステムのダイナミクス
(ii)システムコンポーネント間の相互作用
(iii)より粗い自由度を与える特徴、
(iv)システムの振る舞いを特徴付ける新規な利害関係の特徴。
MLMODはLAMMPSでフックを提供する
i) ダイナミックなモデリングとタイムステップの統合。
(ii)相互作用のモデル化、及び
(iii)システムの状態を特徴付ける利息の量を計算すること。
このパッケージは、ニューラルネットワーク、ガウス過程回帰、カーネルモデル、その他のアプローチを含む一般的なモデルクラスによる機械学習メソッドの使用を可能にする。
ここでは、C++/Pythonパッケージのプロトタイプ、目的、使用例について論じる。
パッケージは現在、メソケールおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
関連論文、サンプル、アップデート、その他の情報はhttps://github.com/atzberg/mlmodおよびhttp://atzberger.org/を参照。
関連論文リスト
- In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳（メタデータ） (2023-06-22T14:07:54Z) - Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI
Data with Self-Supervised Machine Learning [2.8167227950959206]
教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。
本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。
提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
論文 参考訳（メタデータ） (2022-10-05T15:51:39Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Bayesian Active Learning for Discrete Latent Variable Models [19.852463786440122]
アクティブラーニングは、モデルのパラメータに適合するために必要なデータ量を削減しようとする。
潜在変数モデルは神経科学、心理学、その他の様々な工学、科学分野において重要な役割を果たす。
論文 参考訳（メタデータ） (2022-02-27T19:07:12Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Deeptime: a Python library for machine learning dynamical models from
time series data [3.346668383314945]
Deeptimeは、時系列データに基づいて動的モデルを推定する様々なツールを提供する汎用Pythonライブラリである。
本稿では,ディープタイムソフトウェアの主な特徴と構造を紹介する。
論文 参考訳（メタデータ） (2021-10-28T10:53:03Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - 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)
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。