Fugu-MT 論文翻訳(概要): Bayesian Emulation for Computer Models with Multiple Partial Discontinuities

論文の概要: Bayesian Emulation for Computer Models with Multiple Partial Discontinuities

arxiv url: http://arxiv.org/abs/2210.10468v1
Date: Wed, 19 Oct 2022 11:14:57 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 15:33:11.180772
Title: Bayesian Emulation for Computer Models with Multiple Partial Discontinuities
Title（参考訳）: 複数の部分不連続を持つ計算機モデルに対するベイズエミュレーション
Authors: Ian Vernon and Jonathan Owen and Jonathan Carter
Abstract要約: エミュレータは、コンピュータモデルを評価するのが遅いことを模倣する高速な統計構造である。本稿では,不連続性を尊重する慎重に設計された相関構造に基づくTENSEフレームワークを紹介する。我々は, TENSE フレームワークを TNO Challenge II に適用し, OLYMPUS 貯水池モデルをエミュレートした。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Computer models are widely used across a range of scientific disciplines to describe various complex physical systems, however to perform full uncertainty quantification we often need to employ emulators. An emulator is a fast statistical construct that mimics the slow to evaluate computer model, and greatly aids the vastly more computationally intensive uncertainty quantification calculations that an important scientific analysis often requires. We examine the problem of emulating computer models that possess multiple, partial discontinuities occurring at known non-linear location. We introduce the TENSE framework, based on carefully designed correlation structures that respect the discontinuities while enabling full exploitation of any smoothness/continuity elsewhere. This leads to a single emulator object that can be updated by all runs simultaneously, and also used for efficient design. This approach avoids having to split the input space into multiple subregions. We apply the TENSE framework to the TNO Challenge II, emulating the OLYMPUS reservoir model, which possess multiple such discontinuities.
Abstract（参考訳）: コンピュータモデルは様々な科学分野にまたがって様々な複雑な物理システムを記述するために広く使われているが、完全な不確かさの定量化を行うためにはエミュレータを使う必要がある。エミュレータは、コンピュータモデルの評価が遅いことを模倣する高速な統計構造であり、重要な科学的分析がしばしば必要とする計算量的不確実性量子化計算を大いに助けている。既知の非線形位置で発生する複数の部分的不連続性を持つコンピュータモデルをエミュレートする問題について検討する。我々は,不連続を尊重する慎重に設計された相関構造に基づくTENSEフレームワークを導入し,他の場所での滑らかさ/連続性をフル活用する。これにより、すべての実行時に同時に更新可能な単一のエミュレータオブジェクトが生成され、効率的な設計にも使用される。このアプローチでは、入力空間を複数のサブリージョンに分割する必要がない。我々はTENSEフレームワークをTNOチャレンジIIに適用し、複数の不連続性を持つOLYMPUS貯水池モデルをエミュレートする。

関連論文リスト

Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文参考訳（メタデータ） (2023-12-14T09:46:16Z)
Optimising Highly-Parallel Simulation-Based Verification of Cyber-Physical Systems [0.0]
サイバー物理システム(CPS)は多くの産業関連領域で発生し、しばしばミッションクリティカルまたは安全クリティカルである。 CPSのシステムレベル検証(SLV)は、与えられた(例えば、安全か生きか)仕様が満たされているか、あるいはある価値を推定することを保証することを目的としている。
論文参考訳（メタデータ） (2023-07-28T08:08:27Z)
Spatio-Temporal Surrogates for Interaction of a Jet with High Explosives: Part I -- Analysis with a Small Sample Size [0.0]
高い爆発物と相互作用するジェットの2次元問題を用いて、高品質なサロゲートをどうやって構築できるかを理解する。それぞれのシミュレーションから得られるベクトル値出力は200万以上の空間的位置で利用可能である。我々は、これらの非常に大きなデータセットを分析し、分析に使用されるアルゴリズムのパラメータを設定し、時間的・時間的サロゲートの精度を向上させるために簡単な方法を用いる方法を示す。
論文参考訳（メタデータ） (2023-07-03T23:10:23Z)
On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文参考訳（メタデータ） (2022-08-07T09:02:18Z)
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)
Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-25T20:46:08Z)
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)
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)
Using Machine Learning to Emulate Agent-Based Simulations [0.0]
エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
論文参考訳（メタデータ） (2020-05-05T11:48:36Z)
Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。