論文の概要: GridWarm: Towards Practical Physics-Informed ML Design and Evaluation
for Power Grid
- arxiv url: http://arxiv.org/abs/2205.03673v1
- Date: Sat, 7 May 2022 15:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 16:18:54.995712
- Title: GridWarm: Towards Practical Physics-Informed ML Design and Evaluation
for Power Grid
- Title（参考訳）: GridWarm: 電力グリッドの物理インフォームドML設計と評価に向けて
- Authors: Shimiao Li, Amritanshu Pandey, Larry Pileggi
- Abstract要約: 一般的な機械学習手法は、高価なトレーニング、非物理的ソリューション、限定的な解釈可能性に悩まされている。
本稿では,「MLモデルが物理的に意味のある方法でどのように予測を行うか」を評価する,物理的解釈可能性の新しい概念を定式化する。
このフレームワークにインスパイアされたこの論文は、MadIoTサイバー攻撃のための新しい緊急解析ウォームスターターであるGridWarmをさらに発展させた。
- 参考スコア（独自算出の注目度）: 0.08602553195689511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When applied to a real-world safety critical system like the power grid,
general machine learning methods suffer from expensive training, non-physical
solutions, and limited interpretability. To address these challenges, many
recent works have explored the inclusion of grid physics (i.e., domain
expertise) into their method design, primarily through inclusion of system
constraints and technical limits, reducing search space and crafting latent
space. Yet, there is no general framework to evaluate the practicality of these
approaches in power grid tasks, and limitations exist regarding scalability,
generalization, interpretability, etc. This work formalizes a new concept of
physical interpretability which assesses 'how does a ML model make predictions
in a physically meaningful way?' and introduces a pyramid evaluation framework
that identifies a set of dimensions that a practical method should satisfy.
Inspired by the framework, the paper further develops GridWarm, a novel
contingency analysis warm starter for MadIoT cyberattack, based on a
conditional Gaussian random field. This method serves as an instance of an ML
model that can incorporate diverse domain knowledge and improve on different
dimensions that the framework has identified. Experiments validate that
GridWarm significantly boosts the efficiency of contingency analysis for MadIoT
attack even with shallow NN architectures.
- Abstract（参考訳）: 電力グリッドのような現実世界の安全クリティカルシステムに適用すると、一般的な機械学習手法は高価なトレーニング、非物理的解決策、限定的な解釈に苦しむ。
これらの課題に対処するために、最近の多くの研究は、主にシステムの制約と技術的限界、探索空間の削減、潜在空間の作成を通じて、グリッド物理学(すなわちドメインの専門知識)をその手法設計に含めることを検討した。
しかし、パワーグリッドタスクにおけるこれらのアプローチの実用性を評価する一般的なフレームワークはなく、スケーラビリティ、一般化、解釈性などに関する制限が存在する。
本研究は,「mlモデルがどのように物理的に意味のある方法で予測を行うのか」を評価する物理解釈可能性の新しい概念を定式化し,実用的手法が満たすべき次元の集合を識別するピラミッド評価フレームワークを導入する。
このフレームワークに触発されて、条件付きガウスランダムフィールドに基づいて、MadIoTサイバーアタックのための新しい緊急解析ウォームスタータであるGridWarmを開発した。
この方法は、さまざまなドメイン知識を組み込んだMLモデルのインスタンスとして機能し、フレームワークが特定したさまざまな次元を改善する。
実験により、GridWarmは、浅いNNアーキテクチャであっても、MadIoT攻撃の並行解析の効率を大幅に向上することが示された。
関連論文リスト
- Data-Driven Computing Methods for Nonlinear Physics Systems with Geometric Constraints [0.7252027234425334]
本稿では、物理に基づく先行技術と高度な機械学習技術との相乗効果を生かした、新しいデータ駆動型フレームワークを提案する。
本フレームワークでは, 特定の非線形系のクラスに合わせて, 特定の物理系を組み込んだ4つのアルゴリズムを紹介する。
これらの事前の統合はまた、ニューラルネットワークの表現力を高め、物理的現象に典型的な複雑なパターンをキャプチャすることを可能にする。
論文 参考訳（メタデータ） (2024-06-20T23:10:41Z) - Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-20T10:01:22Z) - Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。
オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。
大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
論文 参考訳（メタデータ） (2024-02-23T16:50:07Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Dynamical Isometry based Rigorous Fair Neural Architecture Search [2.7850218655824803]
動的アイソメトリに基づくニューラルアーキテクチャ探索アルゴリズムを提案する。
well-conditioned Jacobian を用いて全加群の一般化誤差を推定することにより、我々の加群選択戦略が厳密な公正であることを証明する。
論文 参考訳（メタデータ） (2023-07-05T13:01:21Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z) - Physics-informed machine learning for Structural Health Monitoring [0.0]
この章では、エンジニアがモデル化または評価しようとしている構造についてしばしば持つ物理的な洞察を考慮に入れたMLアルゴリズムを適用する、物理インフォームド機械学習の概念を紹介します。
この章では、単純な物理モデルとデータ駆動モデルを組み合わせたグレーボックスモデルによって、SHM設定における予測能力が向上することを示す。
SHMアプリケーションは、オフショアや航空宇宙構造物の負荷監視タスクから、ロングスパンブリッジのパフォーマンス監視まで、幅広いアプリケーションがデモされる。
論文 参考訳（メタデータ） (2022-06-30T14:16:33Z) - FEM-based Real-Time Simulations of Large Deformations with Probabilistic
Deep Learning [1.2617078020344616]
負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。
このフレームワークは、特殊な畳み込みニューラルネットワークアーキテクチャ(いわゆるU-Net)の形式を採っている。
論文 参考訳（メタデータ） (2021-11-02T20:05:22Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Encoding physics to learn reaction-diffusion processes [18.187800601192787]
物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。
物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
論文 参考訳（メタデータ） (2021-06-09T03:02:20Z)
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。