Fugu-MT 論文翻訳(概要): NeuralFMU: Towards Structural Integration of FMUs into Neural Networks

論文の概要: NeuralFMU: Towards Structural Integration of FMUs into Neural Networks

arxiv url: http://arxiv.org/abs/2109.04351v1
Date: Thu, 9 Sep 2021 15:42:01 GMT
ステータス: 処理完了
システム内更新日: 2021-09-10 14:08:00.347026
Title: NeuralFMU: Towards Structural Integration of FMUs into Neural Networks
Title（参考訳）: NeuralFMU: ニューラルネットワークへのFMUの構造統合を目指して
Authors: Tobias Thummerer, Josef Kircher, Lars Mikelsons
Abstract要約: 本稿では、FMUをロード、パラメータ化、シミュレートする機能を提供することで、FMIをJuliaプログラミング環境に統合するFMI.jlという新しいオープンソースライブラリを提案する。 FMIFlux.jlと呼ばれるこのライブラリの拡張が導入され、ニューラルネットワークトポロジへのFMUの統合によってNeuralFMUが得られる。
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: This paper covers two major subjects: First, the presentation of a new open-source library called FMI.jl for integrating FMI into the Julia programming environment by providing the possibility to load, parameterize and simulate FMUs. Further, an extension to this library called FMIFlux.jl is introduced, that allows the integration of FMUs into a neural network topology to obtain a NeuralFMU. This structural combination of an industry typical black-box model and a data-driven machine learning model combines the different advantages of both modeling approaches in one single development environment. This allows for the usage of advanced data driven modeling techniques for physical effects that are difficult to model based on first principles.
Abstract（参考訳）: まず、FMIをJuliaプログラミング環境に統合するためのFMI.jlという新しいオープンソースライブラリのプレゼンテーションを行い、FMUのロード、パラメータ化、シミュレーションを行う。さらに、FMIFlux.jlと呼ばれるこのライブラリの拡張が導入され、FMUをニューラルネットワークトポロジーに統合してNeuralFMUを得ることができる。この業界典型的なブラックボックスモデルとデータ駆動機械学習モデルの構造的組み合わせは、単一の開発環境における両方のモデリングアプローチの異なる利点を組み合わせる。これにより、第一原理に基づくモデリングが難しい物理効果のための高度なデータ駆動モデリング技術が利用できる。

関連論文リスト

High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2024-09-10T08:04:11Z)
NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
NNsightとNDIFは、非常に大きなニューラルネットワークの科学的研究を可能にするために、タンデムで機能する技術である。 NNsightは、遅延リモート実行を導入するためにPyTorchを拡張したオープンソースのシステムである。 NDIFは、NNsightリクエストを実行するスケーラブルな推論サービスで、GPUリソースと事前トレーニングされたモデルを共有することができる。
論文参考訳（メタデータ） (2024-07-18T17:59:01Z)
Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
ニューラルネットワークのような予測器のための新しいトレーニング原理であるLFP(Layer-wise Feedback Propagation)を提案する。 LFPは、与えられたタスクの解決へのそれぞれの貢献に基づいて、個々のニューロンに報酬を分解する。提案手法は,ネットワークの有用な部分を補強し,有害な部分を弱めるという欲求的アプローチを実現する。
論文参考訳（メタデータ） (2023-08-23T10:48:28Z)
Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
論文参考訳（メタデータ） (2023-07-25T14:27:49Z)
Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文参考訳（メタデータ） (2023-07-12T16:28:21Z)
Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
論文参考訳（メタデータ） (2023-05-29T22:51:40Z)
NeuralFMU: Presenting a workflow for integrating hybrid NeuralODEs into real world applications [0.0]
我々は、NeuralFMUをセットアップおよび使用するための直感的なワークフローを提案する。本稿では,自動車の縦波力学モデルに基づく消費シミュレーションのためのNeuralFMUをデプロイすることで,この概念を実証する。
論文参考訳（メタデータ） (2022-09-08T17:17:46Z)
FedHM: Efficient Federated Learning for Heterogeneous Models via Low-rank Factorization [16.704006420306353]
スケーラブルなフェデレート学習フレームワークは、異なる計算能力と通信能力を備えた異種クライアントに対処する必要がある。本稿では,不均一な低ランクモデルをクライアントに分散し,それらをグローバルなフルランクモデルに集約する,新しいフェデレーションモデル圧縮フレームワークであるFedHMを提案する。我々のソリューションは、計算複雑性の異なる異種局所モデルの訓練を可能にし、単一の大域的モデルを集約する。
論文参考訳（メタデータ） (2021-11-29T16:11:09Z)
Deploying deep learning in OpenFOAM with TensorFlow [2.1874189959020423]
このモジュールはC APIで構築され、実行時にリンク可能なアプリケーションとしてOpenFOAMに統合される。特に、私たちの定式化は、ニューラルネットワークアーキテクチャのタイプに関する制限を妨げます。さらに、提案するモジュールは、計算流体力学と機械学習のための、オープンソースで統一的で透明なフレームワークへの道筋を概説している。
論文参考訳（メタデータ） (2020-12-01T23:59:30Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。