論文の概要: $\textit{FastSVD-ML-ROM}$: A Reduced-Order Modeling Framework based on
Machine Learning for Real-Time Applications
- arxiv url: http://arxiv.org/abs/2207.11842v1
- Date: Sun, 24 Jul 2022 23:11:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:18:43.101694
- Title: $\textit{FastSVD-ML-ROM}$: A Reduced-Order Modeling Framework based on
Machine Learning for Real-Time Applications
- Title(参考訳): $\textit{FastSVD-ML-ROM}$:リアルタイムアプリケーションのための機械学習に基づく低次モデリングフレームワーク
- Authors: G. I. Drakoulas, T. V. Gortsas, G. C. Bourantas, V. N. Burganos, D.
Polyzos
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital twins have emerged as a key technology for optimizing the performance
of engineering products and systems. High-fidelity numerical simulations
constitute the backbone of engineering design, providing an accurate insight
into the performance of complex systems. However, large-scale, dynamic,
non-linear models require significant computational resources and are
prohibitive for real-time digital twin applications. To this end, reduced order
models (ROMs) are employed, to approximate the high-fidelity solutions while
accurately capturing the dominant aspects of the physical behavior. The present
work proposes a new machine learning (ML) platform for the development of ROMs,
to handle large-scale numerical problems dealing with transient nonlinear
partial differential equations. Our framework, mentioned as
$\textit{FastSVD-ML-ROM}$, utilizes $\textit{(i)}$ a singular value
decomposition (SVD) update methodology, to compute a linear subspace of the
multi-fidelity solutions during the simulation process, $\textit{(ii)}$
convolutional autoencoders for nonlinear dimensionality reduction,
$\textit{(iii)}$ feed-forward neural networks to map the input parameters to
the latent spaces, and $\textit{(iv)}$ long short-term memory networks to
predict and forecast the dynamics of parametric solutions. The efficiency of
the $\textit{FastSVD-ML-ROM}$ framework is demonstrated for a 2D linear
convection-diffusion equation, the problem of fluid around a cylinder, and the
3D blood flow inside an arterial segment. The accuracy of the reconstructed
results demonstrates the robustness and assesses the efficiency of the proposed
approach.
- Abstract(参考訳): デジタル双子は、エンジニアリング製品やシステムのパフォーマンスを最適化するための重要な技術として登場した。
高忠実度数値シミュレーションはエンジニアリング設計のバックボーンであり、複雑なシステムの性能に関する正確な洞察を提供する。
しかし、大規模で動的で非線形なモデルにはかなりの計算資源が必要であり、リアルタイムデジタルツインアプリケーションでは禁じられている。
この目的のために、低次モデル(ROM)を用いて高忠実度解を近似し、物理挙動の優位性を正確に把握する。
本研究は,一過性非線形偏微分方程式を扱う大規模数値問題に対処するため,ROMを開発するための機械学習(ML)プラットフォームを提案する。
私たちのフレームワークは$\textit{FastSVD-ML-ROM}$と呼ばれ、$\textit{
(i)}$ a singular value decomposition (SVD) update method, to compute a linear subspace of the multi-fidelity solution during the simulation process, $\textit{
(ii)}$convolutional autoencoders for non dimensionality reduction, $\textit{
(iii)$ feed-forward neural networks to map the input parameters to the latent spaces, and $\textit{
(iv)$ パラメトリック解のダイナミクスを予測・予測するための長期短期記憶ネットワーク。
2次元線形対流拡散方程式、シリンダーまわりの流体問題、動脈セグメント内の3次元血流について、$\textit{fastsvd-ml-rom}$フレームワークの有効性を実証した。
再構成結果の精度はロバスト性を示し,提案手法の有効性を評価した。
関連論文リスト
- Multilinear Kernel Regression and Imputation via Manifold Learning [5.482532589225551]
MultiL-KRIMは、空間の直感的な概念に基づいて構築され、ポイントクラウドの隣人(回帰者)間の協調を損失関数のデータモデリング用語に直接組み込む。
2つの重要なアプリケーションドメインはMultiL-KRIMの機能を示す: 時間変化グラフ信号(TVGS)リカバリと、高速な動的磁気共鳴イメージング(dMRI)データの再構成である。
論文 参考訳(メタデータ) (2024-02-06T02:50:42Z) - Better Neural PDE Solvers Through Data-Free Mesh Movers [13.013830215107735]
我々は、移動メッシュを2分岐アーキテクチャに組み込む移動メッシュベースのニューラルPDEソルバ(MM-PDE)を開発した。
提案手法は,広く検討されているPDEシステムにおいて,適切なメッシュを生成し,精度を大幅に向上させる。
論文 参考訳(メタデータ) (2023-12-09T14:05:28Z) - Differentiable Turbulence II [0.0]
そこで我々は,Navier-Stokes方程式を解くために,ディープラーニングモデルを汎用有限要素数値スキームに統合するためのフレームワークを開発した。
学習したクロージャは、より微細なグリッド上の従来の大規模渦シミュレーションに匹敵する精度で10倍のスピードアップを達成できることを示す。
論文 参考訳(メタデータ) (2023-07-25T14:27:49Z) - 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) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳(メタデータ) (2022-10-26T00:23:36Z) - Interfacing Finite Elements with Deep Neural Operators for Fast
Multiscale Modeling of Mechanics Problems [4.280301926296439]
本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。
DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。
精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-25T20:46:08Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳(メタデータ) (2021-12-01T22:55:23Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳(メタデータ) (2021-11-26T18:44:59Z) - Deep Learning for Reduced Order Modelling and Efficient Temporal
Evolution of Fluid Simulations [0.0]
Reduced Order Modelling (ROM) は、高次力学系の低次で計算コストの低い表現を作成するために広く用いられている。
そこで我々は,非線形投影が可能なニューラルネットワークを構築するために,新しい深層学習フレームワークDL-ROMを開発した。
我々のモデルDL-ROMは、学習したROMから高精度な再構成を生成でき、学習した縮小状態を時間的にトラバースすることで、将来の時間ステップを効率的に予測することができる。
論文 参考訳(メタデータ) (2021-07-09T17:21:53Z)
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。