論文の概要: NeuralFMU: Presenting a workflow for integrating hybrid NeuralODEs into
real world applications
- arxiv url: http://arxiv.org/abs/2209.03933v1
- Date: Thu, 8 Sep 2022 17:17:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 13:19:24.941330
- Title: NeuralFMU: Presenting a workflow for integrating hybrid NeuralODEs into
real world applications
- Title（参考訳）: NeuralFMU: ハイブリッドなNeuralODEを現実世界のアプリケーションに統合するためのワークフロー
- Authors: Tobias Thummerer, Johannes Stoljar and Lars Mikelsons
- Abstract要約: 我々は、NeuralFMUをセットアップおよび使用するための直感的なワークフローを提案する。
本稿では,自動車の縦波力学モデルに基づく消費シミュレーションのためのNeuralFMUをデプロイすることで,この概念を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The term NeuralODE describes the structural combination of an Artifical
Neural Network (ANN) and a numerical solver for Ordinary Differential Equations
(ODEs), the former acts as the right-hand side of the ODE to be solved. This
concept was further extended by a black-box model in the form of a Functional
Mock-up Unit (FMU) to obtain a subclass of NeuralODEs, named NeuralFMUs. The
resulting structure features the advantages of first-principle and data-driven
modeling approaches in one single simulation model: A higher prediction
accuracy compared to conventional First Principle Models (FPMs), while also a
lower training effort compared to purely data-driven models. We present an
intuitive workflow to setup and use NeuralFMUs, enabling the encapsulation and
reuse of existing conventional models exported from common modeling tools.
Moreover, we exemplify this concept by deploying a NeuralFMU for a consumption
simulation based on a Vehicle Longitudinal Dynamics Model (VLDM), which is a
typical use case in automotive industry. Related challenges that are often
neglected in scientific use cases, like real measurements (e.g. noise), an
unknown system state or high-frequent discontinuities, are handled in this
contribution. For the aim to build a hybrid model with a higher prediction
quality than the original FPM, we briefly highlight two open-source libraries:
FMI.jl for integrating FMUs into the Julia programming environment, as well as
an extension to this library called FMIFlux.jl, that allows for the integration
of FMUs into a neural network topology to finally obtain a NeuralFMU.
- Abstract（参考訳）: NeuralODE」という用語は、Artifical Neural Network (ANN) と正規微分方程式 (ODE) の数値解法(英語版)(英語版)(英語版)の構造の組み合わせを記述している。
この概念は、関数モックアップユニット(FMU)という形でブラックボックスモデルによってさらに拡張され、NeuralFMUと呼ばれるNeuralODEのサブクラスを得た。
その結果得られた構造は、1つのシミュレーションモデルにおける第一原理およびデータ駆動モデリングアプローチの利点を特徴とし、従来の第一原理モデル(fpms)よりも高い予測精度を持つと同時に、純粋なデータ駆動モデルよりも低いトレーニング労力を特徴としている。
本稿では,一般的なモデリングツールから抽出された既存のモデルのカプセル化と再利用を可能にする,NeuralFMUのセットアップと使用のための直感的なワークフローを提案する。
さらに、自動車業界における典型的なユースケースであるVLDMに基づく消費シミュレーションのためのNeuralFMUをデプロイすることで、この概念を実証する。
実測値(ノイズなど)や未知のシステム状態、頻繁な不連続など、科学的なユースケースでしばしば無視される課題は、この貢献で扱われる。
従来のfpmよりも高い予測品質のハイブリッドモデルの構築を目的として,fmusをjuliaプログラミング環境に統合するためのfmi.jlと,fmusをニューラルネットワークトポロジに統合して最終的にneuralfmuを得るためのfmiflux.jlというライブラリの拡張という,2つのオープンソースライブラリを簡潔に紹介する。
関連論文リスト
- The Convex Landscape of Neural Networks: Characterizing Global Optima
and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。
本稿では,凸型神経回復モデルについて検討する。
定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文 参考訳（メタデータ） (2023-12-19T23:04:56Z) - MINN: Learning the dynamics of differential-algebraic equations and
application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。
MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。
提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文 参考訳（メタデータ） (2023-04-27T09:11:40Z) - Neural Modal ODEs: Integrating Physics-based Modeling with Neural ODEs
for Modeling High Dimensional Monitored Structures [9.065343126886093]
本稿では、物理に基づくモデリングとディープラーニングを統合するためのフレームワーク、Neural Modal ODEを提案する。
オートエンコーダは、観測データの最初の数項目から潜伏変数の初期値までの抽象的なマッピングを学習する。
提案モデルの復号器は, 線形化部分に適用された固有解析から導出した固有モードを物理モデルに適用する。
論文 参考訳（メタデータ） (2022-07-16T09:30:20Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Simple lessons from complex learning: what a neural network model learns
about cosmic structure formation [7.270598539996841]
我々は、宇宙論的N体シミュレーションの完全な位相空間進化を予測するためにニューラルネットワークモデルを訓練する。
本モデルでは, 非線形スケールでの精度を, COLAに対して有意な改善を示す$ksim 1 MathrmMpc-1, h$で達成する。
論文 参考訳（メタデータ） (2022-06-09T15:41:09Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - NeuralFMU: Towards Structural Integration of FMUs into Neural Networks [0.0]
本稿では、FMUをロード、パラメータ化、シミュレートする機能を提供することで、FMIをJuliaプログラミング環境に統合するFMI.jlという新しいオープンソースライブラリを提案する。
FMIFlux.jlと呼ばれるこのライブラリの拡張が導入され、ニューラルネットワークトポロジへのFMUの統合によってNeuralFMUが得られる。
論文 参考訳（メタデータ） (2021-09-09T15:42:01Z) - Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである
MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。
一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文 参考訳（メタデータ） (2021-08-18T09:00:24Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳（メタデータ） (2021-06-24T01:40:17Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。