論文の概要: Leveraging Stochastic Predictions of Bayesian Neural Networks for Fluid
Simulations
- arxiv url: http://arxiv.org/abs/2205.01222v1
- Date: Mon, 2 May 2022 21:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-05 02:13:50.455670
- Title: Leveraging Stochastic Predictions of Bayesian Neural Networks for Fluid
Simulations
- Title(参考訳): 流体シミュレーションのためのベイズニューラルネットワークの確率予測の活用
- Authors: Maximilian Mueller, Robin Greif, Frank Jenko and Nils Thuerey
- Abstract要約: 流体シミュレーションにおけるベイズニューラルネットワーク(BNN)の非決定論的予測による不確実性推定と多モード性について検討する。
定常流体流予測の代理モデルとして用いる場合,BNNは精度の高い物理予測を行い,不確実性の推定を行う。
我々はNavier-Stokesシミュレーションの摂動時間列を実験し、BNNのマルチモーダル進化を捉える能力を評価する。
- 参考スコア(独自算出の注目度): 19.961746770975534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate uncertainty estimation and multimodality via the
non-deterministic predictions of Bayesian neural networks (BNNs) in fluid
simulations. To this end, we deploy BNNs in three challenging experimental
test-cases of increasing complexity: We show that BNNs, when used as surrogate
models for steady-state fluid flow predictions, provide accurate physical
predictions together with sensible estimates of uncertainty. Further, we
experiment with perturbed temporal sequences from Navier-Stokes simulations and
evaluate the capabilities of BNNs to capture multimodal evolutions. While our
findings indicate that this is problematic for large perturbations, our results
show that the networks learn to correctly predict high uncertainties in such
situations. Finally, we study BNNs in the context of solver interactions with
turbulent plasma flows. We find that BNN-based corrector networks can stabilize
coarse-grained simulations and successfully create multimodal trajectories.
- Abstract(参考訳): 流体シミュレーションにおけるベイズニューラルネットワーク(bnns)の非決定論的予測を通じて不確実性推定とマルチモダリティについて検討する。
我々は,bnnを定常流動流予測のためのサロゲートモデルとして使用する場合,不確実性の推定と合わせて,正確な物理予測を提供することを示す。
さらに,navier-stokesシミュレーションによる摂動時間系列の実験を行い,マルチモーダル進化を捉えるbnnの性能評価を行った。
以上の結果から,大きな摂動では問題となるが,ネットワークはそのような状況において高い不確実性を正確に予測することが判明した。
最後に,BNNを乱流プラズマ流と解法相互作用の文脈で検討する。
BNNベースの補正ネットワークは、粗粒度シミュレーションを安定化し、マルチモーダルな軌道生成に成功した。
関連論文リスト
- Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳(メタデータ) (2024-03-11T21:54:52Z) - A Framework for Variational Inference of Lightweight Bayesian Neural
Networks with Heteroscedastic Uncertainties [0.31457219084519006]
異種性失語症とてんかんのばらつきを学習したBNNパラメータのばらつきに埋め込むことができることを示す。
軽量BNNに適したサンプリング不要な変分推論のための比較的単純なフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-22T13:24:43Z) - Efficient and Effective Time-Series Forecasting with Spiking Neural
Networks [50.195087118884665]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - Uncertainty Quantification in Multivariable Regression for Material
Property Prediction with Bayesian Neural Networks [39.58317527488534]
物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。
本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。
クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
論文 参考訳(メタデータ) (2023-11-04T19:40:16Z) - Information Bottleneck Analysis of Deep Neural Networks via Lossy
Compression [55.41644538483948]
Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。
本稿では,一般NNのICB解析のための包括的フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-13T21:44:32Z) - Constraining cosmological parameters from N-body simulations with
Variational Bayesian Neural Networks [0.0]
乗法正規化フロー (MNFs) はBNNのパラメータの近似後流の族である。
我々は,標準BNNとフリップアウト推定器についてMNFの比較を行った。
MNFは、変動近似によって導入されたバイアスを緩和する真の後部へのより現実的な予測分布を提供する。
論文 参考訳(メタデータ) (2023-01-09T16:07:48Z) - Prediction and Uncertainty Quantification of SAFARI-1 Axial Neutron Flux
Profiles with Neural Networks [1.4528756508275622]
ディープニューラルネットワーク (Deep Neural Networks, DNN) は、SAFARI-1研究炉の集合軸軸中性子フラックスプロファイルを予測するために用いられる。
変分推論(BNN VI)により解いたモンテカルロ・ドロップアウト(MCD)とベイズニューラルネットワークを用いて、正規DNNモデルの予測の不確かさの定量化を行う。
論文 参考訳(メタデータ) (2022-11-16T04:14:13Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳(メタデータ) (2022-04-01T03:31:27Z) - Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer [77.78479877473899]
我々は,BNNを大規模モデルに効率的にスケールするための時空間BNNを設計する。
バニラBNNと比較して,本手法はトレーニング時間とパラメータ数を著しく削減し,BNNのスケールアップに有効である。
論文 参考訳(メタデータ) (2021-12-12T17:13:14Z) - Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks [55.531896312724555]
ベイジアンネットワーク(BNN)は、ランダム性を組み込むことで、敵の攻撃を扱うのに頑丈で適している。
我々はベイズ的推論(つまり変分ベイズ)をDenseNetアーキテクチャに融合させることで、BNN-DenseNetと呼ばれるBNNモデルを作成する。
逆向きに訓練されたBNNは、ほとんどの実験で非ベイズ的で逆向きに訓練されたBNNよりも優れています。
論文 参考訳(メタデータ) (2021-11-16T16:14:44Z) - Meaningful uncertainties from deep neural network surrogates of
large-scale numerical simulations [34.03414786863526]
ディープニューラルネットワーク(DNN)は、高精度な代理モデルとして機能する。
このような比較を意味づけるためには、予測の不確実性推定が不可欠である。
論文 参考訳(メタデータ) (2020-10-26T17:39:05Z)
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。