論文の概要: Uncertainty quantification in a mechanical submodel driven by a Wasserstein-GAN

• arxiv url: http://arxiv.org/abs/2110.13680v1
• Date: Tue, 26 Oct 2021 13:18:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:24:40.696584
• Title: Uncertainty quantification in a mechanical submodel driven by a Wasserstein-GAN
• Title（参考訳）: Wasserstein-GANによる機械的サブモデルの不確かさ定量化
• Authors: Hamza Boukraichi, Nissrine Akkari, Fabien Casenave, David Ryckelynck
• Abstract要約: 本稿では,機械学習やデータ駆動手法における非線形手法の利用が重要であることを示す。 このような応用にはGAN(Generative Adversarial Networks)が適しており、Wasserstein-GANには勾配ペナルティのバリエーションがある。
• 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: The analysis of parametric and non-parametric uncertainties of very large dynamical systems requires the construction of a stochastic model of said system. Linear approaches relying on random matrix theory and principal componant analysis can be used when systems undergo low-frequency vibrations. In the case of fast dynamics and wave propagation, we investigate a random generator of boundary conditions for fast submodels by using machine learning. We show that the use of non-linear techniques in machine learning and data-driven methods is highly relevant. Physics-informed neural networks is a possible choice for a data-driven method to replace linear modal analysis. An architecture that support a random component is necessary for the construction of the stochastic model of the physical system for non-parametric uncertainties, since the goal is to learn the underlying probabilistic distribution of uncertainty in the data. Generative Adversarial Networks (GANs) are suited for such applications, where the Wasserstein-GAN with gradient penalty variant offers improved convergence results for our problem. The objective of our approach is to train a GAN on data from a finite element method code (Fenics) so as to extract stochastic boundary conditions for faster finite element predictions on a submodel. The submodel and the training data have both the same geometrical support. It is a zone of interest for uncertainty quantification and relevant to engineering purposes. In the exploitation phase, the framework can be viewed as a randomized and parametrized simulation generator on the submodel, which can be used as a Monte Carlo estimator.
• Abstract（参考訳）: 非常に大きな力学系のパラメトリックおよび非パラメトリック不確実性の解析には、その系の確率モデルを構築する必要がある。 ランダム行列理論と主共振解析に依存する線形アプローチは、システムが低周波振動を受けるときに使用できる。 高速ダイナミクスと波動伝搬の場合には、機械学習を用いて高速サブモデルの境界条件のランダム生成について検討する。 機械学習やデータ駆動手法における非線形手法の利用は極めて重要であることを示す。 物理インフォームドニューラルネットワークは、線形モーダル解析を置き換えるデータ駆動方式の選択肢である。 非パラメトリック不確実性のための物理系の確率モデルを構築するためには、ランダムなコンポーネントをサポートするアーキテクチャが必要である。 このような応用にはGAN(Generative Adversarial Networks)が適しており、Wasserstein-GANは勾配ペナルティの変種である。 本研究の目的は,有限要素法符号(Fenics)のデータに基づいてGANを訓練し,より高速な有限要素予測のための確率境界条件を抽出することである。 サブモデルとトレーニングデータはどちらも同じ幾何学的支持を有する。 不確実性定量化の分野であり、工学的な目的に関係している。 搾取フェーズでは、このフレームワークは、モンテカルロ推定器として使用できるサブモデル上のランダム化およびパラメータ化されたシミュレーションジェネレータと見なすことができる。

関連論文リスト

• KAN/MultKAN with Physics-Informed Spline fitting (KAN-PISF) for ordinary/partial differential equation discovery of nonlinear dynamic systems [0.0]
  動的システムの物理的理解を開発するためには、機械学習モデルを解釈する必要がある。 本研究では, (SRDD) アルゴリズムをデノナイズするための逐次正規化導関数を含む方程式発見フレームワークを提案し, 式構造を同定し, 関連する非線形関数を提案する。
  論文  参考訳（メタデータ） (2024-11-18T18:14:51Z)
• Generative Modelling of Stochastic Rotating Shallow Water Noise [44.99833362998488]
  本稿では, サブグリッドスケールプロセスのパラメータ化に差が生じ, 流体力学の部分方程式のノイズを校正するための一般的な手法を提案する。 亜グリッドスケールプロセスのパラメータ化は、亜グリッドスケール変動に起因する系統的なモデル誤差を表現するために、気象・気候予測の不確実性の推定に必要である。 本手法は,入力データとして使用するモデルの標高変動を考慮した回転浅層水モデルで検証され,数値シミュレーションの結果,このノイズはガウス的ではないことがわかった。
  論文  参考訳（メタデータ） (2024-03-15T09:30:29Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• 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)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)
• System identification using Bayesian neural networks with nonparametric noise models [0.0]
  離散時間非線形ランダムダイナミクス系におけるシステム同定のための非パラメトリックアプローチを提案する。 後部推論用ギブスサンプリング器を提案し, シミュレーションおよび実時間時系列でその有効性を示した。
  論文  参考訳（メタデータ） (2021-04-25T09:49:50Z)
• 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)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。