論文の概要: Learning Physics between Digital Twins with Low-Fidelity Models and
Physics-Informed Gaussian Processes
- arxiv url: http://arxiv.org/abs/2206.08201v2
- Date: Tue, 2 May 2023 13:53:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 18:14:48.524688
- Title: Learning Physics between Digital Twins with Low-Fidelity Models and
Physics-Informed Gaussian Processes
- Title（参考訳）: 低忠実度モデルと物理インフォームドガウス過程によるディジタル双極子間の物理学習
- Authors: Michail Spitieris and Ingelin Steinsland
- Abstract要約: デジタル双生児間の学習のためのベイズ的手法を,個々の物理的パラメータが興味のある環境で導入する。
モデル差分項は、各パーソナライズされたモデルのモデル定式化に組み込まれ、低忠実度モデルの欠落物理を考慮に入れている。
ケーススタディでは、1)不完全な物理モデルに言及しないモデルは偏りがあり、過信である、2)不完全な物理モデルに言及するモデルはより不確実であるが、真実をカバーしている、3)デジタル双生児間の学習モデルは、対応する独立した個別モデルよりも不確実性が少ないが、過信ではないことが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A digital twin is a computer model that represents an individual, for
example, a component, a patient or a process. In many situations, we want to
gain knowledge about an individual from its data while incorporating imperfect
physical knowledge and also learn from data from other individuals. In this
paper, we introduce a fully Bayesian methodology for learning between digital
twins in a setting where the physical parameters of each individual are of
interest. A model discrepancy term is incorporated in the model formulation of
each personalized model to account for the missing physics of the low-fidelity
model. To allow sharing of information between individuals, we introduce a
Bayesian Hierarchical modelling framework where the individual models are
connected through a new level in the hierarchy. Our methodology is demonstrated
in two case studies, a toy example previously used in the literature extended
to more individuals and a cardiovascular model relevant for the treatment of
Hypertension. The case studies show that 1) models not accounting for imperfect
physical models are biased and over-confident, 2) the models accounting for
imperfect physical models are more uncertain but cover the truth, 3) the models
learning between digital twins have less uncertainty than the corresponding
independent individual models, but are not over-confident.
- Abstract（参考訳）: デジタル双生児(digital twin)は、個人、例えば、構成要素、患者またはプロセスを表すコンピュータモデルである。
多くの状況では、不完全な物理的知識を取り入れつつ、そのデータから個人に関する知識を得たいし、他の個人からデータから学びたい。
本稿では,各個体の物理的パラメータが興味を持つ設定において,デジタル双生児間の学習に完全ベイズ的手法を導入する。
モデル差分項は、各パーソナライズされたモデルのモデル定式化に組み込まれ、低忠実度モデルの欠落物理を考慮に入れている。
個人間での情報共有を可能にするため、ベイズ階層モデリングフレームワークを導入し、階層内の新しいレベルを介して個々のモデルを接続する。
本手法は,従来より多くの個人に拡張された文献で用いられてきたおもちゃの例と,高血圧治療に関連する心血管モデルである。
ケーススタディによると
1)不完全な物理モデルを考慮しないモデルは、偏見と過信である。
2)不完全な物理モデルを説明するモデルは、より不確かであるが真実を覆っている。
3) デジタル双生児間の学習モデルは, 個々の独立モデルよりも不確実性が低いが, 自信過剰ではない。
関連論文リスト
- HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology [7.230055455268642]
本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。
そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-15T02:30:00Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - Combining General and Personalized Models for Epilepsy Detection with
Hyperdimensional Computing [4.538319875483978]
てんかんは慢性神経疾患であり、有病率が高い。
日常生活におけるてんかんの検出と継続的な外来モニタリングを可能にするための十分な技術支援はいまだに存在しない。
本研究では、HDコンピューティングと、そのモデルの構築と保存方法が、てんかん検出のためのより高度な機械学習モデルをさらに理解し、比較し、作成するために使用できる、いくつかの追加の側面を実証する。
論文 参考訳（メタデータ） (2023-03-26T14:51:25Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳（メタデータ） (2022-12-19T20:46:43Z) - Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。
ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文 参考訳（メタデータ） (2022-10-28T14:38:50Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳（メタデータ） (2022-10-11T10:20:31Z) - PhysiNet: A Combination of Physics-based Model and Neural Network Model
for Digital Twins [0.5076419064097732]
本稿では,物理モデルとニューラルネットワークモデルを組み合わせて,システムのライフサイクル全体の予測精度を向上させるモデルを提案する。
実験により、提案したハイブリッドモデルは、物理ベースモデルとニューラルネットワークモデルの両方より優れていた。
論文 参考訳（メタデータ） (2021-06-28T15:13:16Z) - Learning physically consistent mathematical models from data using group
sparsity [2.580765958706854]
生物学、高騒音レベル、センサーによる相関、強いシステム間変動といった分野では、データ駆動モデルは非感覚的または物理的に矛盾する。
データ駆動モデリングにおいて$textitpriors$を強制する利点を示すシステム生物学のいくつかの応用例を示す。
論文 参考訳（メタデータ） (2020-12-11T14:45:38Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。