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

• Bayesian Entropy Neural Networks for Physics-Aware Prediction [14.705526856205454]
  本稿では,ベイズニューラルネットワーク(BNN)の予測に制約を加えるためのフレームワークであるBENNを紹介する。 ベンは予測値だけでなく、その微分や分散を制約し、より堅牢で信頼性の高いモデル出力を保証できる。 その結果、従来のBNNよりも大幅に改善され、現代の制約されたディープラーニング手法と比較して競争性能が向上した。
  論文  参考訳（メタデータ） (2024-07-01T07:00:44Z)
• 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)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  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)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• 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)
• Variational Neural Networks [88.24021148516319]
  本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。 不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-04T15:41:02Z)
• 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。