論文の概要: Learning Transport Processes with Machine Intelligence
- arxiv url: http://arxiv.org/abs/2109.13096v1
- Date: Mon, 27 Sep 2021 14:49:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 20:42:55.119273
- Title: Learning Transport Processes with Machine Intelligence
- Title（参考訳）: マシンインテリジェンスによる輸送プロセスの学習
- Authors: Francesco Miniati, Gianluca Gregori
- Abstract要約: 本稿では,輸送プロセスの研究に対処するための機械学習に基づくアプローチを提案する。
提案モデルでは, 輸送過程の潜在表現を, 予想よりも根本真理にかなり近い位置で学習することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a machine learning based approach to address the study of
transport processes, ubiquitous in continuous mechanics, with particular
attention to those phenomena ruled by complex micro-physics, impractical to
theoretical investigation, yet exhibiting emergent behavior describable by a
closed mathematical expression. Our machine learning model, built using simple
components and following a few well established practices, is capable of
learning latent representations of the transport process substantially closer
to the ground truth than expected from the nominal error characterising the
data, leading to sound generalisation properties. This is demonstrated through
an idealized study of the long standing problem of heat flux suppression under
conditions relevant for fusion and cosmic plasmas. A simple analysis shows that
the result applies beyond those case specific assumptions and that, in
particular, the accuracy of the learned representation is controllable through
knowledge of the data quality (error properties) and a suitable choice of the
dataset size. While the learned representation can be used as a plug-in for
numerical modeling purposes, it can also be leveraged with the above error
analysis to obtain reliable mathematical expressions describing the transport
mechanism and of great theoretical value.
- Abstract（参考訳）: 本稿では, 連続力学においてユビキタスな輸送過程の研究に対処するための機械学習手法を提案する。特に, 複雑なマイクロフィジカルに支配される現象, 理論的研究には非現実的だが, 閉じた数学的表現によって記述できる創発的挙動に注目する。
我々の機械学習モデルは、単純なコンポーネントを用いて構築され、いくつかのよく確立されたプラクティスに従うことで、データの特徴付けという名目上の誤りから予想されるよりも、輸送プロセスの潜在表現をかなり真実に近いものに学習することができる。
これは、核融合や宇宙プラズマに関連する条件下での熱流束抑制の長期的問題に関する理想化研究によって実証される。
単純な分析では、結果はこれらの特定の仮定を越えて適用され、特に、学習された表現の正確さは、データ品質(エラー特性)の知識とデータセットサイズの適切な選択によって制御可能であることを示している。
学習された表現は数値モデリングのプラグインとして使用できるが、上記の誤差解析を用いて、輸送機構を記述する信頼できる数学的表現を得ることができ、理論的な価値も高い。
関連論文リスト
- Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory [4.59916193837551]
原子論的機械学習(ML)は、情報内容を分析するために教師なし学習やモデル予測に依存していることが多い。
本稿では、原子論シミュレーションにおける情報内容の定量化のための厳密なモデルフリーツールを提供する理論的枠組みを提案する。
論文 参考訳（メタデータ） (2024-04-18T17:50:15Z) - Electronic excited states from physically-constrained machine learning [0.0]
本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。
結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
論文 参考訳（メタデータ） (2023-11-01T20:49:59Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Generative structured normalizing flow Gaussian processes applied to
spectroscopic data [4.0773490083614075]
物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。
特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。
火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
論文 参考訳（メタデータ） (2022-12-14T23:57:46Z) - Modular machine learning-based elastoplasticity: generalization in the
context of limited data [0.0]
エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。
発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
論文 参考訳（メタデータ） (2022-10-15T17:35:23Z) - 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) - Explainability in Process Outcome Prediction: Guidelines to Obtain
Interpretable and Faithful Models [77.34726150561087]
本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。
本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
論文 参考訳（メタデータ） (2022-03-30T05:59:50Z) - Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional
Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。
我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。
前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文 参考訳（メタデータ） (2021-12-22T00:52:56Z) - A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。
合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。
我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
論文 参考訳（メタデータ） (2021-08-25T02:29:28Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z)
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。