論文の概要: Minority Report: A Graph Network Oracle for In Situ Visualization
- arxiv url: http://arxiv.org/abs/2206.12683v1
- Date: Sat, 25 Jun 2022 16:06:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-03 04:49:18.773782
- Title: Minority Report: A Graph Network Oracle for In Situ Visualization
- Title（参考訳）: Minority Report: インサイトビジュアライゼーションのためのグラフネットワークOracle
- Authors: Krishna Kumar, Paul Navr\'atil, Andrew Solis, Joseph Vantassel
- Abstract要約: 本稿では,大規模シミュレーションにおいて期待される臨界領域を特定するために,機械学習に基づくシミュレーションサロゲートをオラクルとして使用する可能性を示す。
我々は,粒状流の物質点シミュレーションのために,TACC GalaxyとCB-Geo MPMを統合した分散非同期その場可視化を開発した。
PyTorch-based 3D Graph Network Simulator (GNS) を用いて粒状フローのダイナミクスを予測する。
- 参考スコア（独自算出の注目度）: 1.6058099298620423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In situ visualization techniques are hampered by a lack of foresight: crucial
simulation phenomena can be missed due to a poor sampling rate or insufficient
detail at critical timesteps. Keeping a human in the loop is impractical, and
defining statistical triggers can be difficult. This paper demonstrates the
potential for using a machine-learning-based simulation surrogate as an oracle
to identify expected critical regions of a large-scale simulation. These
critical regions are used to drive the in situ analysis, providing greater data
fidelity and analysis resolution with an equivalent I/O budget to a traditional
in situ framework. We develop a distributed asynchronous in situ visualization
by integrating TACC Galaxy with CB-Geo MPM for material point simulation of
granular flows. We employ a PyTorch-based 3D Graph Network Simulator (GNS)
trained on granular flow problems as an oracle to predict the dynamics of
granular flows. Critical regions of interests are manually tagged in GNS for in
situ rendering in MPM.
- Abstract（参考訳）: In situの可視化技術は、監視の欠如によって妨げられ、重要なシミュレーション現象は、サンプリング率の低さや、重要なタイミングで詳細が不十分なために見逃される可能性がある。
人間をループに保持することは現実的ではなく、統計的なトリガーを定義することは難しい。
本稿では,機械学習に基づくシミュレーションをオラクルとして活用し,大規模シミュレーションの重要領域を同定する可能性を示す。
これらの重要な領域はin situ分析の推進に使われ、従来のin situフレームワークと同等のI/O予算を持つデータ忠実度と分析の解決を提供する。
我々は,粒状流の物質点シミュレーションのために,TACC GalaxyとCB-Geo MPMを統合した分散非同期その場可視化を開発した。
我々は,粒状フローのダイナミクスを予測するためのオラクルとして,粒状フロー問題を訓練したpytorchベースの3dグラフネットワークシミュレータ(gns)を採用している。
重要な関心領域は、MPMのin situレンダリングのために手動でGNSにタグ付けされる。
関連論文リスト
- DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Three-dimensional granular flow simulation using graph neural
network-based learned simulator [2.153852088624324]
グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。
シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。
GNSの速度は300倍の高忠実度数値シミュレータを上回る。
論文 参考訳（メタデータ） (2023-11-13T15:54:09Z) - Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。
既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。
本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
論文 参考訳（メタデータ） (2023-05-30T03:55:37Z) - Graph Neural Network-based surrogate model for granular flows [2.153852088624324]
粒状流速は地すべりや土砂流など,様々な技術的リスクを評価する上で重要である。
従来の連続法と離散法は、大規模システムのシミュレーションにおける計算コストによって制限される。
本研究では,局所的な相互作用法則を学習することにより,粒状流の現在の状態と次の状態を予測するグラフニューラルネットワークベースシミュレータ(GNS)を開発した。
論文 参考訳（メタデータ） (2023-05-09T07:28:12Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳（メタデータ） (2022-02-28T15:53:10Z) - Cyclic Graph Attentive Match Encoder (CGAME): A Novel Neural Network For
OD Estimation [8.398623478484248]
知的交通システム(ITS)時代における交通管理・交通シミュレーションにおける原位置推定の役割
これまでのモデルベースのモデルは、未決定の課題に直面しており、追加の仮定と追加のデータに対する必死な需要が存在する。
本稿では,2層アテンション機構を備えた新しいグラフマッチング手法であるC-GAMEを提案する。
論文 参考訳（メタデータ） (2021-11-26T08:57:21Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳（メタデータ） (2021-09-04T08:43:19Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。