論文の概要: A novel corrective-source term approach to modeling unknown physics in
aluminum extraction process
- arxiv url: http://arxiv.org/abs/2209.10861v1
- Date: Thu, 22 Sep 2022 08:45:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 14:46:19.595820
- Title: A novel corrective-source term approach to modeling unknown physics in
aluminum extraction process
- Title(参考訳): アルミニウム抽出プロセスにおける未知物理モデリングのための新しい補正源項アプローチ
- Authors: Haakon Robinson, Erlend Lundby, Adil Rasheed, Jan Tommy Gravdahl
- Abstract要約: 本研究では,データ駆動モデルを用いて物理モデルの不特定性を補正する補正元項アプローチ(CoSTA)について検討する。
これにより、基礎となる物理が十分に理解されていない場合でも、正確な予測を行うモデルを開発することができる。
本手法は精度と予測安定性を両立させ,総合的に信頼性の高いモデルが得られることを示した。
- 参考スコア(独自算出の注目度): 0.5257115841810257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the ever-increasing availability of data, there has been an explosion of
interest in applying modern machine learning methods to fields such as modeling
and control. However, despite the flexibility and surprising accuracy of such
black-box models, it remains difficult to trust them. Recent efforts to combine
the two approaches aim to develop flexible models that nonetheless generalize
well; a paradigm we call Hybrid Analysis and modeling (HAM). In this work we
investigate the Corrective Source Term Approach (CoSTA), which uses a
data-driven model to correct a misspecified physics-based model. This enables
us to develop models that make accurate predictions even when the underlying
physics of the problem is not well understood. We apply CoSTA to model the
Hall-H\'eroult process in an aluminum electrolysis cell. We demonstrate that
the method improves both accuracy and predictive stability, yielding an overall
more trustworthy model.
- Abstract(参考訳): データの可用性が高まるにつれて、モデリングや制御といった分野に現代的な機械学習手法を適用することへの関心が爆発的に高まっている。
しかし、このようなブラックボックスモデルの柔軟性と驚くほどの精度にもかかわらず、それらを信頼することは困難である。
この2つのアプローチを組み合わせるための最近の取り組みは、たとえ一般化しても柔軟なモデルを開発することを目的としています。
本研究では,データ駆動モデルを用いて不特定物理モデルを修正する補正元項アプローチ(CoSTA)について検討する。
これにより,基礎となる問題の物理が十分に理解されていない場合でも,正確な予測を行うモデルの開発が可能になる。
アルミニウム電解セルにおけるhall-h\'eroult過程のモデル化にcostaを適用する。
本手法は精度と予測安定性を両立させ,より信頼性の高いモデルとなることを示す。
関連論文リスト
- A comprehensive framework for multi-fidelity surrogate modeling with
noisy data: a gray-box perspective [0.0]
グレーボックスモデリングは、データ駆動(ブラックボックス)モデルとホワイトボックス(物理ベース)モデルからの情報を統合する問題に関係している。
我々はMFSM(Multi-fidelity surrogate model)を用いてこの課題を実行することを提案する。
MFSMは、様々な計算忠実度を持つモデルからの情報を新しい代理モデルに統合する。
論文 参考訳(メタデータ) (2024-01-12T08:37:41Z) - Variational Monte Carlo on a Budget -- Fine-tuning pre-trained Neural
Wavefunctions [5.145741425164946]
深層学習に基づく変分モンテカルロ(DL-VMC)は、最近、精度の点で従来の手法よりも優れているが、計算コストが大きい。
本稿では,大規模かつ化学的に多様な分子集合上での自己教師付き波動関数最適化を用いたDL-VMCモデルを提案する。
このモデルを最適化せずに新しい分子に適用すると、波動関数や絶対エネルギーが得られ、CCSD(T)-2Zのような確立された手法よりも優れる。
論文 参考訳(メタデータ) (2023-07-15T09:56:22Z) - Uncertainty estimation for time series forecasting via Gaussian process
regression surrogates [0.8733767481819791]
代用ガウス過程モデルに基づく不確実性推定法を提案する。
提案手法は,任意のベースモデルに対して,個別のサロゲートが生成した正確な不確実性推定を行うことができる。
他の手法と比較して、見積もりは1つの追加モデルだけで計算的に有効である。
論文 参考訳(メタデータ) (2023-02-06T14:52:56Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳(メタデータ) (2022-12-19T20:46:43Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳(メタデータ) (2022-02-17T07:56:46Z) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳(メタデータ) (2021-08-04T07:07:47Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Learning from others' mistakes: Avoiding dataset biases without modeling
them [111.17078939377313]
最先端自然言語処理(NLP)モデルは、意図したタスクをターゲットとする機能ではなく、データセットのバイアスや表面形状の相関をモデル化することを学ぶことが多い。
これまでの研究は、バイアスに関する知識が利用できる場合に、これらの問題を回避するための効果的な方法を示してきた。
本稿では,これらの問題点を無視する学習モデルについて述べる。
論文 参考訳(メタデータ) (2020-12-02T16:10:54Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian
Process: Generalized Formulations [5.827236278192557]
本研究では,物理正規化ガウス過程(PRGP)という新しいモデリングフレームワークを提案する。
この新しいアプローチは、物理モデル、すなわち古典的なトラフィックフローモデルをガウスのプロセスアーキテクチャにエンコードし、機械学習のトレーニングプロセスを規則化する。
提案手法の有効性を証明するため,ユタ州I-15高速道路から収集した実世界のデータセットについて実験的検討を行った。
論文 参考訳(メタデータ) (2020-07-14T17:27:23Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。