論文の概要: Dimensionally Consistent Learning with Buckingham Pi
- arxiv url: http://arxiv.org/abs/2202.04643v1
- Date: Wed, 9 Feb 2022 17:58:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-12 11:04:02.994046
- Title: Dimensionally Consistent Learning with Buckingham Pi
- Title(参考訳): バッキンガムpiを用いた次元整合学習
- Authors: Joseph Bakarji, Jared Callaham, Steven L. Brunton, J. Nathan Kutz
- Abstract要約: 支配方程式がない場合、次元解析は物理系における洞察を抽出し対称性を見つけるための堅牢な手法である。
本研究では,非次元群を検出するために,可観測データの対称構造と自己相似構造を用いる自動手法を提案する。
我々はバッキンガム・パイの定理を制約として利用する3つのデータ駆動手法を開発した。
- 参考スコア(独自算出の注目度): 4.446017969073817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the absence of governing equations, dimensional analysis is a robust
technique for extracting insights and finding symmetries in physical systems.
Given measurement variables and parameters, the Buckingham Pi theorem provides
a procedure for finding a set of dimensionless groups that spans the solution
space, although this set is not unique. We propose an automated approach using
the symmetric and self-similar structure of available measurement data to
discover the dimensionless groups that best collapse this data to a lower
dimensional space according to an optimal fit. We develop three data-driven
techniques that use the Buckingham Pi theorem as a constraint: (i) a
constrained optimization problem with a non-parametric input-output fitting
function, (ii) a deep learning algorithm (BuckiNet) that projects the input
parameter space to a lower dimension in the first layer, and (iii) a technique
based on sparse identification of nonlinear dynamics (SINDy) to discover
dimensionless equations whose coefficients parameterize the dynamics. We
explore the accuracy, robustness and computational complexity of these methods
as applied to three example problems: a bead on a rotating hoop, a laminar
boundary layer, and Rayleigh-B\'enard convection.
- Abstract(参考訳): 制御方程式が存在しない場合、次元解析は物理系における洞察を抽出し対称性を見つけるためのロバストな手法である。
測定変数とパラメータが与えられたとき、バッキンガムのpi定理は解空間にまたがる無次元群の集合を見つける手順を与えるが、この集合は一意ではない。
そこで本稿では, 使用可能な測定データの対称性と自己相似構造を用いて, 最適適合度に応じて, このデータを低次元空間に最も分解する無次元群を探索する手法を提案する。
バッキンガム・パイの定理を制約とする3つのデータ駆動手法を開発した。
(i)非パラメトリック入出力整合関数による制約付き最適化問題。
(ii)入力パラメータ空間を第1層の低次元に投影するディープラーニングアルゴリズム(buckinet)と、
(iii)非線形力学のスパース同定(sindy)に基づく手法で、係数が力学をパラメータ化する無次元方程式を探索する。
本稿では, 回転フープ上のビーズ, 層境界層, レイリー・ブエナード対流の3つの問題に対して, これらの手法の精度, 堅牢性, 計算複雑性について検討する。
関連論文リスト
- Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。
我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
論文 参考訳(メタデータ) (2024-09-19T01:47:04Z) - On Probabilistic Embeddings in Optimal Dimension Reduction [1.2085509610251701]
次元減少アルゴリズムは多くのデータサイエンスパイプラインの重要な部分である。
広く利用されているにもかかわらず、多くの非線形次元還元アルゴリズムは理論的観点からは理解されていない。
論文 参考訳(メタデータ) (2024-08-05T12:46:21Z) - Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。
キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文 参考訳(メタデータ) (2024-02-26T05:51:47Z) - An evaluation framework for dimensionality reduction through sectional
curvature [59.40521061783166]
本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。
その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。
新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
論文 参考訳(メタデータ) (2023-03-17T11:59:33Z) - Linearized Wasserstein dimensionality reduction with approximation
guarantees [65.16758672591365]
LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。
我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。
また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
論文 参考訳(メタデータ) (2023-02-14T22:12:16Z) - A survey of unsupervised learning methods for high-dimensional
uncertainty quantification in black-box-type problems [0.0]
複素偏微分方程式(PPDE)上の量子化不確実性(UQ)のための代理モデルを構築する。
次元性の呪いは、適切な教師なし学習技術で使用される事前次元の部分空間である。
我々は,m-PCEモデルの利点と限界を実証し,m-PCEモデルが深部部分空間に対するコスト効率の良いアプローチを提供すると結論付けた。
論文 参考訳(メタデータ) (2022-02-09T16:33:40Z) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳(メタデータ) (2021-07-21T00:24:15Z) - Nonlinear Level Set Learning for Function Approximation on Sparse Data
with Applications to Parametric Differential Equations [6.184270985214254]
NLL(Nonlinear Level Set Learning)アプローチは、疎にサンプリングされた関数のポイントワイズ予測のために提示される。
提案アルゴリズムは, 精度の低い理論的下界への入力次元を効果的に低減する。
この修正されたNLLとオリジナルのNLLとActive Subspaces(AS)メソッドを比較する実験とアプリケーションを提示する。
論文 参考訳(メタデータ) (2021-04-29T01:54:05Z) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳(メタデータ) (2020-07-16T13:27:47Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳(メタデータ) (2020-03-02T16:40:36Z) - Convex Geometry and Duality of Over-parameterized Neural Networks [70.15611146583068]
有限幅2層ReLUネットワークの解析のための凸解析手法を開発した。
正規化学習問題に対する最適解が凸集合の極点として特徴づけられることを示す。
高次元では、トレーニング問題は無限に多くの制約を持つ有限次元凸問題としてキャストできることが示される。
論文 参考訳(メタデータ) (2020-02-25T23:05:33Z)
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。