論文の概要: Predictive Scale-Bridging Simulations through Active Learning
- arxiv url: http://arxiv.org/abs/2209.09811v1
- Date: Tue, 20 Sep 2022 15:58:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 17:23:51.603949
- Title: Predictive Scale-Bridging Simulations through Active Learning
- Title(参考訳): 能動学習による予測的規模架橋シミュレーション
- Authors: Satish Karra, Mohamed Mehana, Nicholas Lubbers, Yu Chen, Abdourahmane
Diaw, Javier E. Santos, Aleksandra Pachalieva, Robert S. Pavel, Jeffrey R.
Haack, Michael McKerns, Christoph Junghans, Qinjun Kang, Daniel Livescu,
Timothy C. Germann, and Hari S. Viswanathan
- Abstract要約: 我々は,局所的な微粒なシミュレーションを用いて粗大な流体力学を解析するために,能動的学習手法を用いる。
提案手法は3つの課題に対処する。連続体粗大軌道の予測,大規模計算からの粗大軌道の動的更新,ニューラルネットワークモデルの不確かさの定量化である。
- 参考スコア(独自算出の注目度): 43.48102250786867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Throughout computational science, there is a growing need to utilize the
continual improvements in raw computational horsepower to achieve greater
physical fidelity through scale-bridging over brute-force increases in the
number of mesh elements. For instance, quantitative predictions of transport in
nanoporous media, critical to hydrocarbon extraction from tight shale
formations, are impossible without accounting for molecular-level interactions.
Similarly, inertial confinement fusion simulations rely on numerical diffusion
to simulate molecular effects such as non-local transport and mixing without
truly accounting for molecular interactions. With these two disparate
applications in mind, we develop a novel capability which uses an active
learning approach to optimize the use of local fine-scale simulations for
informing coarse-scale hydrodynamics. Our approach addresses three challenges:
forecasting continuum coarse-scale trajectory to speculatively execute new
fine-scale molecular dynamics calculations, dynamically updating coarse-scale
from fine-scale calculations, and quantifying uncertainty in neural network
models.
- Abstract(参考訳): 計算科学を通じて、生の馬力の継続的な改善を利用して、メッシュ要素数の増加によるスケールブリッジによる物理的忠実度の向上を実現する必要性が高まっている。
例えば、固いシェール層からの炭化水素抽出に重要なナノ多孔体中の輸送の定量的予測は、分子レベルの相互作用を考慮せずには不可能である。
同様に、慣性閉じ込め融合シミュレーションは、非局所輸送や混合のような分子効果を分子間相互作用を真に考慮せずにシミュレーションするために数値拡散に依存する。
これら2つの異なる応用を念頭に、我々は、局所的な微粒なシミュレーションを用いて粗大な流体力学をインフォームする、アクティブな学習手法を用いた新しい能力を開発した。
提案手法は,新しい分子動力学計算を投機的に実行する連続体粗大軌道の予測,大規模計算からの粗大軌道の動的更新,ニューラルネットワークモデルにおける不確かさの定量化という3つの課題に対処する。
関連論文リスト
- Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - Designing Machine Learning Surrogates using Outputs of Molecular
Dynamics Simulations as Soft Labels [0.0]
分子動力学シミュレーションの出力に関する統計的不確実性は、人工ニューラルネットワークのトレーニングに利用できることを示す。
推定平均出力量に不確かさを組み込むことにより,シミュレーション出力のソフトラベルを設計する。
このアプローチは、閉じ込められた電解質の分子動力学シミュレーションのためのサロゲートの設計で説明される。
論文 参考訳(メタデータ) (2021-10-27T19:00:40Z) - Quantum-based Molecular Dynamics Simulations Using Tensor Cores [2.3551989288556774]
ボルン=オッペンハイマー分子動力学問題に高効率でテンソルコアが適用可能であることを示す。
原子間力は、一般化されたディープニューラルネットワークから得られる電子構造からオンザフライで計算される。
正規アンサンブルシミュレーションスキームも提示され、計算された力の付加的な数値ノイズをランゲヴィン様の力学に吸収する。
論文 参考訳(メタデータ) (2021-07-06T17:11:45Z) - Scientific multi-agent reinforcement learning for wall-models of
turbulent flows [5.678337324555036]
大規模シミュレーションのための壁モデル発見のための科学的マルチエージェント強化学習(SciMARL)を紹介する。
現在のシミュレーションは、完全に解決されたシミュレーションよりも数桁の計算コストを削減している。
論文 参考訳(メタデータ) (2021-06-21T14:30:10Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Learning the exchange-correlation functional from nature with fully
differentiable density functional theory [0.0]
我々は、完全に微分可能な3次元コーン・シャム密度汎関数論フレームワーク内での交換相関関数を置き換えるためにニューラルネットワークを訓練する。
我々の訓練された交換相関ネットワークは110分子の集合体における原子化とイオン化エネルギーの予測を改善した。
論文 参考訳(メタデータ) (2021-02-08T14:25:10Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Modeling nanoconfinement effects using active learning [1.58501955991843]
シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。
本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
論文 参考訳(メタデータ) (2020-05-06T04:01:53Z)
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。