論文の概要: Assessment of DeepONet for reliability analysis of stochastic nonlinear
dynamical systems
- arxiv url: http://arxiv.org/abs/2201.13145v1
- Date: Mon, 31 Jan 2022 11:41:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 15:07:57.992700
- Title: Assessment of DeepONet for reliability analysis of stochastic nonlinear
dynamical systems
- Title(参考訳): 確率非線形力学系の信頼性解析のためのDeepONetの評価
- Authors: Shailesh Garg and Harshit Gupta and Souvik Chakraborty
- Abstract要約: 本稿では,最近提案したDeepONetが負荷を受けるシステムの時間依存信頼性解析および不確実性定量化における有効性について検討する。
従来の機械学習やディープラーニングアルゴリズムとは異なり、DeepONetはオペレータネットワークであり、関数マッピングの関数を学ぶ。
- 参考スコア(独自算出の注目度): 4.301367153728694
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Time dependent reliability analysis and uncertainty quantification of
structural system subjected to stochastic forcing function is a challenging
endeavour as it necessitates considerable computational time. We investigate
the efficacy of recently proposed DeepONet in solving time dependent
reliability analysis and uncertainty quantification of systems subjected to
stochastic loading. Unlike conventional machine learning and deep learning
algorithms, DeepONet learns is a operator network and learns a function to
function mapping and hence, is ideally suited to propagate the uncertainty from
the stochastic forcing function to the output responses. We use DeepONet to
build a surrogate model for the dynamical system under consideration. Multiple
case studies, involving both toy and benchmark problems, have been conducted to
examine the efficacy of DeepONet in time dependent reliability analysis and
uncertainty quantification of linear and nonlinear dynamical systems. Results
obtained indicate that the DeepONet architecture is accurate as well as
efficient. Moreover, DeepONet posses zero shot learning capabilities and hence,
a trained model easily generalizes to unseen and new environment with no
further training.
- Abstract(参考訳): 確率的強制関数を受ける構造系の時間依存信頼度解析と不確実性定量化は、かなりの計算時間を必要とするため、困難な試みである。
確率負荷を受けるシステムの時間依存信頼性解析と不確実性定量化における最近提案されたDeepONetの有効性を検討した。
従来の機械学習やディープラーニングアルゴリズムとは異なり、DeepONetはオペレータネットワークであり、関数マッピングの関数を学ぶため、確率的強制関数から出力応答への不確実性を伝播するのに理想的である。
我々はdeeponetを用いて動的システムのサロゲートモデルを構築した。
時間依存信頼性解析と線形および非線形力学系の不確実性定量化におけるDeepONetの有効性を検討するために,玩具とベンチマークの両問題を含む複数のケーススタディが実施された。
その結果,DeepONetアーキテクチャは正確かつ効率的であることが示唆された。
さらに、deeponetはゼロショット学習能力を持つので、トレーニングされたモデルは、追加のトレーニングなしで、目に見えない新しい環境に簡単に一般化できる。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳(メタデータ) (2024-11-04T11:09:58Z) - Neural State-Space Models: Empirical Evaluation of Uncertainty
Quantification [0.0]
本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。
ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。
後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
論文 参考訳(メタデータ) (2023-04-13T08:57:33Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - 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) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳(メタデータ) (2022-08-19T00:35:03Z) - The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。
我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文 参考訳(メタデータ) (2022-05-20T10:10:32Z) - Koopman operator for time-dependent reliability analysis [0.0]
そこで我々は,Koopmanオブザーバブルを学習し,動的応答の行程に使用するエンドツーエンドのディープラーニングアーキテクチャを提案する。
純粋にデータ駆動のアプローチとは異なり、提案手法は不確実性が存在する場合でも堅牢である。
論文 参考訳(メタデータ) (2022-03-05T04:57:20Z) - Formal Verification of Unknown Dynamical Systems via Gaussian Process Regression [11.729744197698718]
安全クリティカルなシナリオにおける自律システムの活用には、不確実性の存在下での行動を検証する必要がある。
本研究では,非モデル化された力学と雑音測定を用いた離散時間力学システムの検証フレームワークを開発した。
論文 参考訳(メタデータ) (2021-12-31T05:10:05Z) - 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) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳(メタデータ) (2021-05-17T08:36:18Z)
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。