論文の概要: Physics Guided Machine Learning for Variational Multiscale Reduced Order
Modeling
- arxiv url: http://arxiv.org/abs/2205.12419v1
- Date: Wed, 25 May 2022 00:07:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-28 23:15:17.984843
- Title: Physics Guided Machine Learning for Variational Multiscale Reduced Order
Modeling
- Title(参考訳): 変分多スケール減数次モデリングのための物理誘導機械学習
- Authors: Shady E. Ahmed, Omer San, Adil Rasheed, Traian Iliescu, Alessandro
Veneziani
- Abstract要約: 本稿では,最小の計算コストで低次モデル(ROM)の精度を向上させるために,新しい物理誘導機械学習(PGML)パラダイムを提案する。
ROM基底の階層構造と変分マルチスケール(VMS)フレームワークは、解決されたROM空間スケールと未解決ROM空間スケールの自然な分離を可能にする。
現代的なPGMLアルゴリズムは、解決された、未解決のROMスケール間の相互作用のための新しいモデルを構築するために使用される。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new physics guided machine learning (PGML) paradigm that
leverages the variational multiscale (VMS) framework and available data to
dramatically increase the accuracy of reduced order models (ROMs) at a modest
computational cost. The hierarchical structure of the ROM basis and the VMS
framework enable a natural separation of the resolved and unresolved ROM
spatial scales. Modern PGML algorithms are used to construct novel models for
the interaction among the resolved and unresolved ROM scales. Specifically, the
new framework builds ROM operators that are closest to the true interaction
terms in the VMS framework. Finally, machine learning is used to reduce the
projection error and further increase the ROM accuracy. Our numerical
experiments for a two-dimensional vorticity transport problem show that the
novel PGML-VMS-ROM paradigm maintains the low computational cost of current
ROMs, while significantly increasing the ROM accuracy.
- Abstract(参考訳): 本稿では,変分マルチスケール(VMS)フレームワークと利用可能なデータを活用して,最小の計算コストで低次モデル(ROM)の精度を劇的に向上させる新しい物理誘導機械学習(PGML)パラダイムを提案する。
ROM基底の階層構造とVMSフレームワークは、解決され未解決のROM空間スケールの自然な分離を可能にする。
現代的なPGMLアルゴリズムは、解決された、未解決のROMスケール間の相互作用のための新しいモデルを構築するために使用される。
具体的には、新しいフレームワークは、VMSフレームワークの真の相互作用項に最も近いROM演算子を構築する。
最後に、機械学習を用いて投影誤差を低減し、rom精度をさらに向上させる。
二次元渦輸送問題に対する数値実験により,新しいPGML-VMS-ROMパラダイムは,現在のROMの計算コストを低く抑えつつ,ROMの精度を大幅に向上させることを示した。
関連論文リスト
- Symbolic Regression of Data-Driven Reduced Order Model Closures for Under-Resolved, Convection-Dominated Flows [41.94295877935867]
データ駆動クロージャは、未解決の対流支配流の精度を高めるために、標準リダクションオーダーモデル(ROM)を補正する。
本稿では,新しいシンボル回帰(SR)データ駆動ROMクロージャ戦略を提案する。
新たなデータ駆動型SR-ROMクロージャは、解釈可能で、類似性があり、正確で、一般化可能で、堅牢なROMを生成する。
論文 参考訳(メタデータ) (2025-02-07T07:14:41Z) - DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution [114.61347672265076]
実世界のロボットのためのMLLMの開発は、ロボットプラットフォームで利用可能な計算能力とメモリ容量が典型的に限られているため、難しい。
活性化MLLMのサイズを自動的に調整するロボットビジョンランゲージ・アクション・モデル(DeeR)の動的早期実行フレームワークを提案する。
DeeR は LLM の計算コストを 5.2-6.5x に削減し、GPU のメモリを 2-6x に削減した。
論文 参考訳(メタデータ) (2024-11-04T18:26:08Z) - A Multi-Fidelity Methodology for Reduced Order Models with
High-Dimensional Inputs [0.0]
本研究では,高次元コンテキスト向けに設計された新しい多面的・パラメトリック・非侵入型ROMフレームワークを提案する。
これは、多様体アライメントと次元縮小のための機械学習技術を統合する。
我々のアプローチは、2D RAE2822翼と3D NASA CRM翼の2つのテストケースで検証されている。
論文 参考訳(メタデータ) (2024-02-26T22:47:03Z) - Physics-based Reduced Order Modeling for Uncertainty Quantification of
Guided Wave Propagation using Bayesian Optimization [0.0]
ガイド波伝搬(GWP)は、構造健康モニタリング(SHM)における構造物の検査に一般的に用いられる。
不確実量化(UQ)は、予測の信頼性を向上させるために定期的に適用される。
本稿では,機械学習(ML)に基づくリダクションオーダーモデル(ROM)を提案し,GWPのシミュレーションに関する計算時間を短縮する。
論文 参考訳(メタデータ) (2023-07-18T22:03:43Z) - 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) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳(メタデータ) (2022-09-01T17:05:20Z) - $\textit{FastSVD-ML-ROM}$: A Reduced-Order Modeling Framework based on
Machine Learning for Real-Time Applications [0.0]
高忠実度数値シミュレーションは工学設計のバックボーンを構成する。
高忠実度解を近似するために、低次モデル (ROM) を用いる。
本研究は,ROM開発のための機械学習(ML)プラットフォームを提案する。
論文 参考訳(メタデータ) (2022-07-24T23:11:07Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳(メタデータ) (2022-07-04T13:52:10Z) - Deep-HyROMnet: A deep learning-based operator approximation for
hyper-reduction of nonlinear parametrized PDEs [0.0]
ディープニューラルネットワーク(DNN)を用いた非線形ROM演算子学習手法を提案する。
DNNによって強化された結果の超還元順序モデルはDeep-HyROMnetと呼ばれる。
数値計算の結果,Deep-HyROMnetsはPOD-GalerkinDEIMsよりも桁違いに高速であり,精度は同等であることがわかった。
論文 参考訳(メタデータ) (2022-02-05T23:45:25Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳(メタデータ) (2021-06-15T17:22:59Z)
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。