論文の概要: A composable autoencoder-based iterative algorithm for accelerating numerical simulations

• arxiv url: http://arxiv.org/abs/2110.03780v1
• Date: Thu, 7 Oct 2021 20:22:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 06:36:55.782870
• Title: A composable autoencoder-based iterative algorithm for accelerating numerical simulations
• Title（参考訳）: コンポーザブルオートエンコーダに基づく数値シミュレーション高速化のための反復アルゴリズム
• Authors: Rishikesh Ranade, Chris Hill, Haiyang He, Amir Maleki, Norman Chang and Jay Pathak
• Abstract要約: CoAE-MLSimは教師なし、低次元の局所的手法であり、商用PDEソルバで使われる重要なアイデアから動機づけられている。 計算速度、精度、スケーラビリティ、様々なPDE条件に対する一般化を実証するために、様々な複雑なエンジニアリングケースでテストされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerical simulations for engineering applications solve partial differential equations (PDE) to model various physical processes. Traditional PDE solvers are very accurate but computationally costly. On the other hand, Machine Learning (ML) methods offer a significant computational speedup but face challenges with accuracy and generalization to different PDE conditions, such as geometry, boundary conditions, initial conditions and PDE source terms. In this work, we propose a novel ML-based approach, CoAE-MLSim (Composable AutoEncoder Machine Learning Simulation), which is an unsupervised, lower-dimensional, local method, that is motivated from key ideas used in commercial PDE solvers. This allows our approach to learn better with relatively fewer samples of PDE solutions. The proposed ML-approach is compared against commercial solvers for better benchmarks as well as latest ML-approaches for solving PDEs. It is tested for a variety of complex engineering cases to demonstrate its computational speed, accuracy, scalability, and generalization across different PDE conditions. The results show that our approach captures physics accurately across all metrics of comparison (including measures such as results on section cuts and lines).
• Abstract（参考訳）: 工学応用のための数値シミュレーションは、様々な物理過程をモデル化するために偏微分方程式(PDE)を解く。 従来のPDEソルバは非常に正確だが計算コストが高い。 一方、機械学習(ML)手法は、計算速度が大幅に向上するが、幾何、境界条件、初期条件、PDEソース項など、異なるPDE条件への精度と一般化を伴う課題に直面している。 本研究では,商用pdeソルバにおける重要なアイデアを動機とする,教師なし,低次元,局所的な手法であるcoae-mlsim(composable autoencoder machine learning simulation)を提案する。 これにより、PDEソリューションのサンプルを比較的少なくして、よりよく学習することが可能になります。 提案されたML-approachは、より良いベンチマークのための商用のソルバと、PDEを解決するための最新のML-approacheと比較される。 計算速度、精度、スケーラビリティ、様々なPDE条件に対する一般化を実証するために、様々な複雑なエンジニアリングケースでテストされている。 その結果,提案手法は,全比較指標(セクションカットやラインの計測結果などを含む)を正確に捉えていることがわかった。

関連論文リスト

• Learning a Neural Solver for Parametric PDE to Enhance Physics-Informed Methods [14.791541465418263]
  データに基づいて訓練された物理インフォームド反復アルゴリズムを用いて偏微分方程式(PDE)の解法を学習することを提案する。 本手法は,各PDEインスタンスに自動的に適応する勾配降下アルゴリズムの条件付けを学習する。 複数のデータセットに対する経験的実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-09T12:28:32Z)
• Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
  広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。 私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。 Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-05-27T15:34:35Z)
• Kolmogorov n-Widths for Multitask Physics-Informed Machine Learning (PIML) Methods: Towards Robust Metrics [8.90237460752114]
  このトピックは、マルチタスク学習(multitask learning)と呼ばれる、シングルまたはPDE問題の集合を解決するための、幅広いメソッドとモデルを含んでいる。 PIMLは、PDE問題を解決する際に、大規模なデータの代わりに機械学習モデルのトレーニングプロセスに物理法則を組み込むことによって特徴付けられる。
  論文  参考訳（メタデータ） (2024-02-16T23:21:40Z)
• Efficient Neural PDE-Solvers using Quantization Aware Training [71.0934372968972]
  量子化は、性能を維持しながら推論の計算コストを下げることができることを示す。 4つの標準PDEデータセットと3つのネットワークアーキテクチャの結果、量子化対応のトレーニングは、設定と3桁のFLOPで機能することがわかった。
  論文  参考訳（メタデータ） (2023-08-14T09:21:19Z)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• Meta-PDE: Learning to Solve PDEs Quickly Without a Mesh [24.572840023107574]
  偏微分方程式(PDE)は、しばしば計算的に解くのが難しい。 本稿では,関連するPDEの分布から,問題の迅速な解法を学習するメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T06:17:52Z)
• A composable machine-learning approach for steady-state simulations on high-resolution grids [0.6554326244334866]
  CoMLSim(Composable Machine Learning Simulator)は、高解像度グリッド上でPDEをシミュレートすることができる。 提案手法は,従来のPDE解法と局所学習および低次元多様体技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2022-10-11T23:50:16Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Meta-Auto-Decoder for Solving Parametric Partial Differential Equations [32.46080264991759]
  部分微分方程式 (Partial Differential Equations, PDE) は、科学と工学の多くの分野においてユビキタスであり、解決が困難である。 提案手法はメタオートデコーダ(MAD)と呼ばれ,パラメトリックPDEをメタ学習問題として扱う。 MADは、他のディープラーニング手法と比較して精度を損なうことなく、より高速な収束速度を示す。
  論文  参考訳（メタデータ） (2021-11-15T02:51:42Z)
• Speeding up Computational Morphogenesis with Online Neural Synthetic Gradients [51.42959998304931]
  現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。 これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。 オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-25T22:43:51Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。