論文の概要: Approximating the full-field temperature evolution in 3D electronic systems from randomized "Minecraft" systems

• arxiv url: http://arxiv.org/abs/2209.10369v1
• Date: Wed, 21 Sep 2022 14:03:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 15:58:37.622885
• Title: Approximating the full-field temperature evolution in 3D electronic systems from randomized "Minecraft" systems
• Title（参考訳）: ランダム化マインクラフトシステムによる3次元電子系の全場温度変化の近似
• Authors: Monika Stipsitz and Helios Sanchis-Alepuz
• Abstract要約: 本稿では,ネットワークアーキテクチャにトレーニングシステムを適用することを提案する。 具体的には、完全な畳み込みネットワークを適用し、ランダムに割り当てられた物理特性を持つ3Dシステムをランダムに位置決めするボクセルを設計する。 ランダムな「Minecraft」システムのみをトレーニングし、トレーニングシステムの4倍の大きさの電子システムへの優れた一般化を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Networks as fast physics simulators have a large potential for many engineering design tasks. Prerequisites for a wide-spread application are an easy-to-use workflow for generating training datasets in a reasonable time, and the capability of the network to generalize to unseen systems. In contrast to most previous works where training systems are similar to the evaluation dataset, we propose to adapt the type of training system to the network architecture. Specifically, we apply a fully convolutional network and, thus, design 3D systems of randomly located voxels with randomly assigned physical properties. The idea is tested for the transient heat diffusion in electronic systems. Training only on random "Minecraft" systems, we obtain good generalization to electronic systems four times as large as the training systems (one-step prediction error of 0.07% vs 0.8%).
• Abstract（参考訳）: 高速物理シミュレータとしてのニューラルネットワークは、多くのエンジニアリング設計タスクにおいて大きな可能性を秘めている。 広帯域アプリケーションの前提条件は、適切な時間でトレーニングデータセットを生成するための使いやすいワークフローであり、ネットワークが見えないシステムに一般化する能力である。 従来のトレーニングシステムが評価データセットと類似しているほとんどの作業とは対照的に,ネットワークアーキテクチャにトレーニングシステムの種類を適用することを提案する。 具体的には、完全畳み込みネットワークを適用し、ランダムに割り当てられた物理的性質を持つランダムに配置されたボクセルの3dシステムを設計する。 このアイデアは、電子系における過渡的な熱拡散のテストである。 ランダムな「Minecraft」システムでのみトレーニングを行い、トレーニングシステムの4倍の大きさ(1ステップ予測誤差は0.07%対0.8%)の電子システムへの優れた一般化を得る。

関連論文リスト

• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Predicting 3D Rigid Body Dynamics with Deep Residual Network [0.0]
  本稿では,C++で実装された3次元物理シミュレータとPyTorchを用いたディープラーニングモデルを組み合わせたフレームワークを提案する。 シミュレータは、線形および角運動、弾性衝突、流体摩擦、重力効果、減衰を含むトレーニングデータを生成する。 我々は,1万のシミュレーションシナリオのデータセットを用いて,ネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-07-09T23:40:10Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for Adaptive Learning [0.0]
  新しいタイプのニューラルネットワークは、高速ニューラルネットワークパラダイムを用いて提示される。 提案したエミュレータを組み込んだニューラルネットワークは,予測精度を損なうことなく,ほぼ瞬時に学習できることが判明した。
  論文  参考訳（メタデータ） (2023-09-12T22:34:34Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Towards Real Time Thermal Simulations for Design Optimization using Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワークを用いて3次元システムの熱的挙動をシミュレートする手法を提案する。 一段階予測のネットワーク結果の精度は顕著である。
  論文  参考訳（メタデータ） (2022-09-21T13:48:41Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Decentralized Training of Foundation Models in Heterogeneous Environments [77.47261769795992]
  GPT-3 や PaLM のようなトレーニング基盤モデルは、非常に高価である。 ヘテロジニアスネットワーク上での分散型システムにおけるモデル並列化を用いた大規模基盤モデルのトレーニングに関する最初の研究について述べる。
  論文  参考訳（メタデータ） (2022-06-02T20:19:51Z)
• A deep language model to predict metabolic network equilibria [0.0]
  ディープラーニングモデル、特にTransformerのようなアーキテクチャは、ランダムに生成されたデータセットでトレーニング可能であることを示す。 モデルをトレーニングするために使用できるランダムネットワークの大規模なセット(4000万要素)を作成します。 これらの訓練されたモデルは、99%以上のケースでランダムグラフ上のネットワーク平衡を予測することができる。
  論文  参考訳（メタデータ） (2021-12-07T09:30:59Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• Neural Networks with Physics-Informed Architectures and Constraints for Dynamical Systems Modeling [19.399031618628864]
  軌道データから動的モデルを学ぶためのフレームワークを開発する。 出力の値とモデルの内部状態に制約を課す。 様々な力学系に対する提案手法の利点を実験的に実証した。
  論文  参考訳（メタデータ） (2021-09-14T02:47:51Z)

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。