論文の概要: NeuralUQ: A comprehensive library for uncertainty quantification in
neural differential equations and operators
- arxiv url: http://arxiv.org/abs/2208.11866v1
- Date: Thu, 25 Aug 2022 04:28:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:52:41.893447
- Title: NeuralUQ: A comprehensive library for uncertainty quantification in
neural differential equations and operators
- Title（参考訳）: NeuralUQ:ニューラル微分方程式と演算子の不確実性定量化のための包括的ライブラリ
- Authors: Zongren Zou, Xuhui Meng, Apostolos F Psaros, and George Em Karniadakis
- Abstract要約: 機械学習における不確実性定量化(UQ)は、現在、研究の関心が高まっている。
我々は,SciMLのUQメソッドを便利かつ構造化した方法で使用するために,NeuralUQと呼ばれるオープンソースのPythonライブラリを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty quantification (UQ) in machine learning is currently drawing
increasing research interest, driven by the rapid deployment of deep neural
networks across different fields, such as computer vision, natural language
processing, and the need for reliable tools in risk-sensitive applications.
Recently, various machine learning models have also been developed to tackle
problems in the field of scientific computing with applications to
computational science and engineering (CSE). Physics-informed neural networks
and deep operator networks are two such models for solving partial differential
equations and learning operator mappings, respectively. In this regard, a
comprehensive study of UQ methods tailored specifically for scientific machine
learning (SciML) models has been provided in [45]. Nevertheless, and despite
their theoretical merit, implementations of these methods are not
straightforward, especially in large-scale CSE applications, hindering their
broad adoption in both research and industry settings. In this paper, we
present an open-source Python library (https://github.com/Crunch-UQ4MI), termed
NeuralUQ and accompanied by an educational tutorial, for employing UQ methods
for SciML in a convenient and structured manner. The library, designed for both
educational and research purposes, supports multiple modern UQ methods and
SciML models. It is based on a succinct workflow and facilitates flexible
employment and easy extensions by the users. We first present a tutorial of
NeuralUQ and subsequently demonstrate its applicability and efficiency in four
diverse examples, involving dynamical systems and high-dimensional parametric
and time-dependent PDEs.
- Abstract（参考訳）: 機械学習における不確実性定量化(UQ)は現在、コンピュータビジョン、自然言語処理、リスクに敏感なアプリケーションにおける信頼性ツールの必要性など、さまざまな分野にわたるディープニューラルネットワークの迅速な展開によって、研究の関心が高まっている。
近年、計算科学・工学(cse)への応用を含む科学計算分野の問題に取り組むために、様々な機械学習モデルが開発されている。
物理インフォームドニューラルネットワークとディープオペレータネットワークは、それぞれ偏微分方程式と学習オペレータマッピングを解くための2つのモデルである。
本稿では,[45]において,科学的機械学習(sciml)モデルに特化したuq手法の包括的研究を行った。
それにもかかわらず、理論的なメリットにもかかわらず、これらの手法の実装は、特に大規模CSEアプリケーションでは簡単ではなく、研究と産業の両方で広く採用されるのを妨げている。
本稿では,SciMLのUQメソッドを便利かつ構造化した方法で使用するための,NeuralUQと呼ばれるオープンソースのPythonライブラリ(https://github.com/Crunch-UQ4MI)について述べる。
このライブラリは教育と研究の両方のために設計されており、複数の現代的なUQメソッドとSciMLモデルをサポートしている。
これは簡潔なワークフローに基づいており、フレキシブルな雇用とユーザによる拡張を容易にする。
本稿ではまずNeuralUQのチュートリアルを紹介し,動的システムと高次元パラメトリックおよび時間依存PDEを含む4つの多種多様な例で適用性と効率性を示す。
関連論文リスト
- 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) - Evaluation of machine learning architectures on the quantification of
epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。
ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。
検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
論文 参考訳（メタデータ） (2023-06-27T02:35:25Z) - 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) - SPAIC: A Spike-based Artificial Intelligence Computing Framework [22.133585707508963]
本稿では,Python ベースのスパイキングニューラルネットワーク (SNN) シミュレーションおよびトレーニングフレームワーク SPAIC を提案する。
ディープラーニングと神経科学の両方の機能と統合された、脳にインスパイアされたモデルとアルゴリズムの研究をサポートすることを目指している。
ニューラルサーキット、深層SNN学習、ニューロモルフィック応用など、さまざまな例を挙げる。
論文 参考訳（メタデータ） (2022-07-26T08:57:42Z) - Neural Network Quantization with AI Model Efficiency Toolkit (AIMET) [15.439669159557253]
AIモデル効率ツールキット(AIMET)を用いたニューラルネットワーク量子化の概要について述べる。
AIMETは、モデル最適化に必要な作業を容易にするために設計された最先端の量子化および圧縮アルゴリズムのライブラリである。
我々は、PTQとQAT、コード例、実用的なヒントを網羅し、AIMETによる量子化の実践的なガイドを提供する。
論文 参考訳（メタデータ） (2022-01-20T20:35:37Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Understanding Neural Code Intelligence Through Program Simplification [3.9704927572880253]
コードインテリジェンスシステムにおけるモデルに対する重要な入力特徴を特定するためのモデルに依存しないアプローチを提案する。
当社のアプローチであるSIVANDでは,CIモデルの入力プログラムのサイズを縮小する単純化手法を採用しています。
SIVANDの抽出した特徴は、ニューラルCIシステムの予測と学習行動を理解するのに役立つと信じている。
論文 参考訳（メタデータ） (2021-06-07T05:44:29Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
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。