Fugu-MT 論文翻訳(概要): Learning Spatiotemporal Chaos Using Next-Generation Reservoir Computing

論文の概要: Learning Spatiotemporal Chaos Using Next-Generation Reservoir Computing

arxiv url: http://arxiv.org/abs/2203.13294v1
Date: Thu, 24 Mar 2022 18:42:12 GMT
ステータス: 処理完了
システム内更新日: 2022-03-28 14:39:07.867083
Title: Learning Spatiotemporal Chaos Using Next-Generation Reservoir Computing
Title（参考訳）: 次世代貯留層計算による時空間カオスの学習
Authors: Wendson A. S. Barbosa and Daniel J. Gauthier
Abstract要約: 次世代カオス貯水池コンピュータと組み合わせたMLアーキテクチャは,訓練時間103～10ドル4倍の最先端性能を示す。また、モデルの翻訳対称性を利用して、計算コストとトレーニングデータをさらに削減し、それぞれが$sim$10の係数で処理する。
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: Forecasting the behavior of high-dimensional dynamical systems using machine learning (ML) requires efficient methods to learn the underlying physical model. We demonstrate spatiotemporal chaos prediction of a heuristic atmospheric weather model using an ML architecture that, when combined with a next-generation reservoir computer, displays state-of-the-art performance with a training time $10^3-10^4$ times faster and training data set $\sim 10^2$ times smaller than other ML algorithms. We also take advantage of the translational symmetry of the model to further reduce the computational cost and training data, each by a factor of $\sim$10.
Abstract（参考訳）: 機械学習(ML)を用いた高次元力学系の挙動予測には,基礎となる物理モデルを学ぶための効率的な手法が必要である。本研究では,次世代貯水池コンピュータと組み合わせて,訓練時間10^3-10^4$,トレーニングデータセット$\sim 10^2$,他のMLアルゴリズムの10^3-10^4$で最先端性能を示すMLアーキテクチャを用いて,ヒューリスティック気象モデルの時空間カオス予測を行った。また、モデルの翻訳対称性を利用して、計算コストとトレーニングデータをさらに削減し、それぞれが$\sim$10の係数で処理する。

関連論文リスト

Graph Convolutional Neural Networks as Surrogate Models for Climate Simulation [0.1884913108327873]
我々は,完全接続型ニューラルネットワーク(FCNN)とグラフ畳み込み型ニューラルネットワーク(GCNN)を活用し,高速なシミュレーションと不確実性定量化を実現する。我々のサロゲートは、1つのA100 GPUで約310秒で80年シミュレーションしましたが、ESMモデルでは数週間でした。
論文参考訳（メタデータ） (2024-09-19T14:41:15Z)
Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文参考訳（メタデータ） (2024-03-25T11:29:32Z)
A Dynamical Model of Neural Scaling Laws [79.59705237659547]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文参考訳（メタデータ） (2024-02-02T01:41:38Z)
In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文参考訳（メタデータ） (2023-06-22T14:07:54Z)
Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文参考訳（メタデータ） (2023-05-01T23:20:27Z)
$\beta$-Variational autoencoders and transformers for reduced-order modelling of fluid flows [0.3644907558168858]
変分オートエンコーダ(VAE)アーキテクチャは、カオス流体の低次モデル(ROM)を開発する可能性を秘めている。本稿では,$beta$-VAEとtransformerの組み合わせを用いて,コンパクトで直交に近いROMを学習する手法を提案する。
論文参考訳（メタデータ） (2023-04-07T10:11:32Z)
High-precision regressors for particle physics [0.0]
CERNの大型ハドロン衝突型加速器のような粒子衝突器における物理過程のモンテカルロシミュレーションは、計算予算の大部分を占めている。シミュレーション毎のデータポイントの必要な数は109ドル - 1012ドルなので、物理シミュレータの代わりに機械学習回帰器を使うことができる。これらの回帰器はモンテカルロシミュレーションで現在使われている第一原理計算よりも 103$ - 106$ の係数でシミュレーションを高速化できることを示す。
論文参考訳（メタデータ） (2023-02-02T16:55:12Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
今後のエクサスケール時代は次世代の物理シミュレーションを高解像度で提供しますこれらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
Learning unseen coexisting attractors [0.0]
貯留層コンピューティング(Reservoir computing)は、動的システムの代理モデルを生成する機械学習アプローチである。ここでは、異なる時間スケールと複数の共存する動的状態(トラクター)の両方を持つ力学系を学習する際の課題について研究する。次世代貯水池コンピューティングアプローチでは、トレーニングデータが少ない$sim 1.7倍、短いウォームアップ時間が必要な$103倍、既存のアトラクタ特性を予測する上で、$sim 100times$高い精度を持つことを示す。
論文参考訳（メタデータ） (2022-07-28T14:55:14Z)
Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文参考訳（メタデータ） (2022-06-15T17:29:57Z)
A Taylor Based Sampling Scheme for Machine Learning in Computational Physics [0.0]
数値シミュレーションプログラムを用いてデータを生成する能力を利用して機械学習モデルをより良く訓練する。通常の微分方程式(ODE)システムの解を学習する際のディープニューラルネットワーク(DNN)の誤差を低減するために、テイラー近似に基づく新しいデータサンプリングスキームを考案した。
論文参考訳（メタデータ） (2021-01-20T12:56:09Z)

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。