論文の概要: Long-time prediction of nonlinear parametrized dynamical systems by deep
learning-based reduced order models
- arxiv url: http://arxiv.org/abs/2201.10215v1
- Date: Tue, 25 Jan 2022 10:15:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 16:52:30.761244
- Title: Long-time prediction of nonlinear parametrized dynamical systems by deep
learning-based reduced order models
- Title(参考訳): 深層学習に基づく減数次モデルによる非線形パラメトリド力学系の長期予測
- Authors: Federico Fatone, Stefania Fresca, Andrea Manzoni
- Abstract要約: 深層学習に基づくリダクションオーダーモデル(DL-ROM)は,最近,従来のROMで共有される共通制限を克服するために提案されている。
パラメタライズされたPDEの効率的な数値近似のための$mu t$-POD-LSTM-ROMフレームワークを導入する。
- 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: Deep learning-based reduced order models (DL-ROMs) have been recently
proposed to overcome common limitations shared by conventional ROMs - built,
e.g., exclusively through proper orthogonal decomposition (POD) - when applied
to nonlinear time-dependent parametrized PDEs. In particular, POD-DL-ROMs can
achieve extreme efficiency in the training stage and faster than real-time
performances at testing, thanks to a prior dimensionality reduction through POD
and a DL-based prediction framework. Nonetheless, they share with conventional
ROMs poor performances regarding time extrapolation tasks. This work aims at
taking a further step towards the use of DL algorithms for the efficient
numerical approximation of parametrized PDEs by introducing the $\mu
t$-POD-LSTM-ROM framework. This novel technique extends the POD-DL-ROM
framework by adding a two-fold architecture taking advantage of long short-term
memory (LSTM) cells, ultimately allowing long-term prediction of complex
systems' evolution, with respect to the training window, for unseen input
parameter values. Numerical results show that this recurrent architecture
enables the extrapolation for time windows up to 15 times larger than the
training time domain, and achieves better testing time performances with
respect to the already lightning-fast POD-DL-ROMs.
- Abstract(参考訳): 深層学習に基づくリダクションオーダーモデル(DL-ROM)は、非線形時間依存パラメタライズドPDEに適用した場合、従来のROM(例えば、適切な直交分解(POD)によってのみ構築される)で共有される共通の制限を克服するために最近提案されている。
特に、POD-DL-ROMは、PODとDLベースの予測フレームワークにより、トレーニング段階において極端に効率よく、テスト時のリアルタイムパフォーマンスよりも高速に実現できる。
それでも、時間外挿タスクに関する従来のROMのパフォーマンスは劣っている。
本研究の目的は、パラメータ化PDEの効率的な数値近似のためのDLアルゴリズムの利用に向けて、$\mu t$-POD-LSTM-ROMフレームワークを導入することである。
この技術は、長期記憶(LSTM)細胞を利用した2重アーキテクチャを追加してPOD-DL-ROMフレームワークを拡張し、最終的にトレーニングウィンドウに対する複雑なシステムの進化の長期予測を可能にする。
この再帰的アーキテクチャにより、トレーニング時間領域の最大15倍の時間窓外挿が可能となり、既に雷の速いPOD-DL-ROMに対するテスト時間性能が向上することを示す。
関連論文リスト
- PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Multiplicative update rules for accelerating deep learning training and
increasing robustness [69.90473612073767]
我々は、幅広い機械学習アルゴリズムに適合し、代替の更新ルールを適用することができる最適化フレームワークを提案する。
提案するフレームワークはトレーニングを加速する一方、従来の追加更新ルールとは対照的に、より堅牢なモデルにつながります。
論文 参考訳(メタデータ) (2023-07-14T06:44:43Z) - Deep Convolutional Architectures for Extrapolative Forecast in
Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。
これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。
ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文 参考訳(メタデータ) (2022-09-18T03:45:56Z) - Deep-HyROMnet: A deep learning-based operator approximation for
hyper-reduction of nonlinear parametrized PDEs [0.0]
ディープニューラルネットワーク(DNN)を用いた非線形ROM演算子学習手法を提案する。
DNNによって強化された結果の超還元順序モデルはDeep-HyROMnetと呼ばれる。
数値計算の結果,Deep-HyROMnetsはPOD-GalerkinDEIMsよりも桁違いに高速であり,精度は同等であることがわかった。
論文 参考訳(メタデータ) (2022-02-05T23:45:25Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳(メタデータ) (2021-11-26T18:44:59Z) - Deep Learning for Reduced Order Modelling and Efficient Temporal
Evolution of Fluid Simulations [0.0]
Reduced Order Modelling (ROM) は、高次力学系の低次で計算コストの低い表現を作成するために広く用いられている。
そこで我々は,非線形投影が可能なニューラルネットワークを構築するために,新しい深層学習フレームワークDL-ROMを開発した。
我々のモデルDL-ROMは、学習したROMから高精度な再構成を生成でき、学習した縮小状態を時間的にトラバースすることで、将来の時間ステップを効率的に予測することができる。
論文 参考訳(メタデータ) (2021-07-09T17:21:53Z) - POD-DL-ROM: enhancing deep learning-based reduced order models for
nonlinear parametrized PDEs by proper orthogonal decomposition [0.0]
深層学習に基づく還元順序モデル(DL-ROM)は,従来の還元順序モデル(ROM)で共有される共通制限を克服するために最近提案されている。
本稿では, DL-ROMの高価なトレーニング段階を回避するために, (i) PODによる事前次元化を行い, (ii) 多要素事前学習段階に依存する方法を提案する。
提案したPOD-DL-ROMは、複数の(スカラーおよびベクトル、線形および非線形の両方)時間依存パラメタライズPDEで試験される。
論文 参考訳(メタデータ) (2021-01-28T07:34:15Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4~19倍のスピードアップを観測した。
論文 参考訳(メタデータ) (2021-01-15T00:13:33Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳(メタデータ) (2020-08-17T23:39:33Z) - A comprehensive deep learning-based approach to reduced order modeling
of nonlinear time-dependent parametrized PDEs [0.0]
線形および非線形時間依存パラメタライズPDEのためのDL-ROMを構築する方法を示す。
数値的な結果は、PDE解多様体の内在次元と次元が等しいDL-ROMがパラメタライズされたPDEの解を近似できることを示している。
論文 参考訳(メタデータ) (2020-01-12T21:18:18Z)
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。