論文の概要: ChemTab: A Physics Guided Chemistry Modeling Framework
- arxiv url: http://arxiv.org/abs/2202.09855v1
- Date: Sun, 20 Feb 2022 16:21:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 10:24:45.193949
- Title: ChemTab: A Physics Guided Chemistry Modeling Framework
- Title（参考訳）: ChemTab:物理ガイドによる化学モデリングフレームワーク
- Authors: Amol Salunkhe, Dwyer Deighan, Paul DesJardin, Varun Chandola
- Abstract要約: 進行変数とルックアップモデルの共同学習により,より正確な結果が得られることを示す。
我々は、共同学習タスク用にカスタマイズされたChemTabと呼ばれるディープニューラルネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 5.368509527675853
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling of turbulent combustion system requires modeling the underlying
chemistry and the turbulent flow. Solving both systems simultaneously is
computationally prohibitive. Instead, given the difference in scales at which
the two sub-systems evolve, the two sub-systems are typically (re)solved
separately. Popular approaches such as the Flamelet Generated Manifolds (FGM)
use a two-step strategy where the governing reaction kinetics are pre-computed
and mapped to a low-dimensional manifold, characterized by a few reaction
progress variables (model reduction) and the manifold is then "looked-up"
during the run-time to estimate the high-dimensional system state by the flow
system. While existing works have focused on these two steps independently, we
show that joint learning of the progress variables and the look-up model, can
yield more accurate results. We propose a deep neural network architecture,
called ChemTab, customized for the joint learning task and experimentally
demonstrate its superiority over existing state-of-the-art methods.
- Abstract（参考訳）: 乱流燃焼システムのモデリングには、基礎となる化学と乱流のモデリングが必要である。
両方のシステムを同時に解くことは、計算的に禁止される。
代わりに、2つのサブシステムが進化するスケールの違いを考えると、2つのサブシステムは通常(再)別々に解決される。
フラムレット生成多様体 (FGM) のような一般的なアプローチでは、制御反応の速度論を事前計算し、いくつかの反応進行変数(モデル還元)を特徴とする低次元多様体にマッピングする2段階の戦略を用いており、フローシステムによって高次元系の状態が推定される。
既存の研究はこれらの2つのステップに独立して焦点を当てているが、進行変数とルックアップモデルの共同学習により、より正確な結果が得られることを示す。
我々は、共同学習タスク用にカスタマイズされたChemTabと呼ばれるディープニューラルネットワークアーキテクチャを提案し、既存の最先端手法よりもその優位性を実験的に実証する。
関連論文リスト
- Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - Learnable & Interpretable Model Combination in Dynamic Systems Modeling [0.0]
我々は、通常、どのモデルが組み合わされるかについて議論し、様々な混合方程式に基づくモデルを表現することができるモデルインターフェースを提案する。
本稿では,2つの組み合わせモデル間の汎用的な接続を,容易に解釈可能な方法で記述できる新しいワイルドカードトポロジーを提案する。
本稿では、2つのモデル間の異なる接続トポロジを学習し、解釈し、比較する。
論文 参考訳（メタデータ） (2024-06-12T11:17:11Z) - MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。
このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。
また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文 参考訳（メタデータ） (2024-04-16T02:18:18Z) - Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent
Dynamical Systems [70.84976977950075]
実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。
本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。
我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
論文 参考訳（メタデータ） (2024-02-29T23:07:07Z) - Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文 参考訳（メタデータ） (2023-05-02T20:30:23Z) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳（メタデータ） (2022-12-24T12:59:41Z) - Physics Informed Machine Learning for Chemistry Tabulation [5.368509527675853]
動的に生成するThemochemical State Variablesを組み込むため,ChemTabベースの定式化と実装を構築した。
このディープニューラルネットワークアーキテクチャの実装における課題について議論し、その性能を実験的に実証する。
論文 参考訳（メタデータ） (2022-11-06T04:24:38Z) - GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。
リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。
この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文 参考訳（メタデータ） (2021-04-07T01:08:18Z) - Energy-based View of Retrosynthesis [70.66156081030766]
エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。
本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
論文 参考訳（メタデータ） (2020-07-14T18:51:06Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳（メタデータ） (2020-07-13T17:44:30Z) - Deep Adversarial Koopman Model for Reaction-Diffusion systems [0.304585143845864]
本稿では,反応拡散系に数値シミュレーション戦略を適用する。
逆方向と勾配方向の損失を導入し、予測を強固にする。
提案したモデルは、不足したトレーニングデータを扱うように拡張され、制御の観点から問題を再キャストする。
論文 参考訳（メタデータ） (2020-06-09T23:12:12Z)
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。