Fugu-MT 論文翻訳(概要): FEM-based Real-Time Simulations of Large Deformations with Probabilistic Deep Learning

論文の概要: FEM-based Real-Time Simulations of Large Deformations with Probabilistic Deep Learning

arxiv url: http://arxiv.org/abs/2111.01867v1
Date: Tue, 2 Nov 2021 20:05:22 GMT
ステータス: 処理完了
システム内更新日: 2021-11-05 01:29:07.022847
Title: FEM-based Real-Time Simulations of Large Deformations with Probabilistic Deep Learning
Title（参考訳）: 確率的深層学習による大規模変形の実時間シミュレーション
Authors: Saurabh Deshpande, Jakub Lengiewicz and St\'ephane P.A. Bordas
Abstract要約: 負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。このフレームワークは、特殊な畳み込みニューラルネットワークアーキテクチャ(いわゆるU-Net)の形式を採っている。
参考スコア（独自算出の注目度）: 1.2617078020344616
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For many engineering applications, such as real-time simulations or control, conventional solution techniques of the underlying nonlinear problems are usually computationally too expensive. In this work, we propose a highly efficient deep-learning surrogate framework that is able to predict the response of hyper-elastic bodies under load. The surrogate model takes the form of special convolutional neural network architecture, so-called U-Net, which is trained with force-displacement data obtained with the finite element method. We propose deterministic- and probabilistic versions of the framework and study it for three benchmark problems. In particular, we check the capabilities of the Maximum Likelihood and the Variational Bayes Inference formulations to assess the confidence intervals of solutions.
Abstract（参考訳）: リアルタイムシミュレーションや制御のような多くの工学的応用において、基礎となる非線形問題の従来の解法は通常計算コストが高すぎる。本研究では,負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。サーロゲートモデルは、特別畳み込みニューラルネットワークアーキテクチャ(いわゆるu-net)の形式をとり、有限要素法で得られた力分散データを用いて訓練する。本稿では,フレームワークの決定論的および確率的バージョンを提案し,三つのベンチマーク問題について検討する。特に,最大類似度と変分ベイズ推論の定式化の能力を確認し,解の信頼区間を評価する。

関連論文リスト

Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods [0.7234862895932991]
原子間相互作用のデータ駆動機械学習(ML)モデルは、原子配列のニュアンスな側面をエネルギーと力の予測に関連付けることができる。主な課題は、化学環境のディスクリプタが、よく明確に定義された連続計量のない高次元の物体であるという事実に起因している。実験の統計的計画と最適設計の古典的な概念は、そのような問題を比較的低い計算コストで緩和するのに役立つことを実証する。
論文参考訳（メタデータ） (2024-05-14T14:14:23Z)
Deep Learning-based surrogate models for parametrized PDEs: handling geometric variability through graph neural networks [0.0]
本研究では,時間依存型PDEシミュレーションにおけるグラフニューラルネットワーク(GNN)の可能性について検討する。本稿では,データ駆動型タイムステッピング方式に基づくサロゲートモデルを構築するための体系的戦略を提案する。 GNNは,計算効率と新たなシナリオへの一般化の観点から,従来の代理モデルに代わる有効な代替手段を提供することができることを示す。
論文参考訳（メタデータ） (2023-08-03T08:14:28Z)
Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文参考訳（メタデータ） (2023-06-15T08:33:52Z)
Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。フィールド変数の正確な表現のために,多目的損失関数を提案する。弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文参考訳（メタデータ） (2023-02-19T20:33:32Z)
On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Deep Efficient Continuous Manifold Learning for Time Series Modeling [11.876985348588477]
対称正定値行列はコンピュータビジョン、信号処理、医療画像解析において研究されている。本稿では,リーマン多様体とコレスキー空間の間の微分同相写像を利用する枠組みを提案する。時系列データの動的モデリングのために,多様体常微分方程式とゲートリカレントニューラルネットワークを体系的に統合した連続多様体学習法を提案する。
論文参考訳（メタデータ） (2021-12-03T01:38:38Z)
DeepPhysics: a physics aware deep learning framework for real-time simulation [0.0]
データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
論文参考訳（メタデータ） (2021-09-17T12:15:47Z)
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文参考訳（メタデータ） (2021-08-09T08:45:47Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文参考訳（メタデータ） (2021-02-16T06:04:27Z)

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。