論文の概要: Continual learning autoencoder training for a particle-in-cell simulation via streaming

• arxiv url: http://arxiv.org/abs/2211.04770v1
• Date: Wed, 9 Nov 2022 09:55:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 16:28:45.957785
• Title: Continual learning autoencoder training for a particle-in-cell simulation via streaming
• Title（参考訳）: ストリーミングによる粒子内シミュレーションのための連続学習オートエンコーダ訓練
• Authors: Patrick Stiller, Varun Makdani, Franz P\"oschel, Richard Pausch, Alexander Debus, Michael Bussmann, Nico Hoffmann
• Abstract要約: 今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
• 参考スコア（独自算出の注目度）: 52.77024349608834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The upcoming exascale era will provide a new generation of physics simulations. These simulations will have a high spatiotemporal resolution, which will impact the training of machine learning models since storing a high amount of simulation data on disk is nearly impossible. Therefore, we need to rethink the training of machine learning models for simulations for the upcoming exascale era. This work presents an approach that trains a neural network concurrently to a running simulation without storing data on a disk. The training pipeline accesses the training data by in-memory streaming. Furthermore, we apply methods from the domain of continual learning to enhance the generalization of the model. We tested our pipeline on the training of a 3d autoencoder trained concurrently to laser wakefield acceleration particle-in-cell simulation. Furthermore, we experimented with various continual learning methods and their effect on the generalization.
• Abstract（参考訳）: 今度のexascale時代は、新しい世代の物理シミュレーションを提供するだろう。 これらのシミュレーションは時空間分解能が高く、大量のシミュレーションデータをディスクに保存することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 したがって,今後のエクサスケール時代のシミュレーションのために,機械学習モデルのトレーニングを再考する必要がある。 この研究は、ディスクにデータを格納することなく、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。 トレーニングパイプラインは、インメモリストリーミングによってトレーニングデータにアクセスする。 さらに,モデルの一般化を促進するために,連続学習領域からの手法を適用する。 我々は,レーザーウェイクフィールド加速粒子対セルシミュレーションを並行して訓練した3次元オートエンコーダのトレーニングでパイプラインをテストした。 さらに,様々な連続学習手法を実験し,その一般化に対する効果を検討した。

関連論文リスト

• 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)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• Simulation-Based Parallel Training [55.41644538483948]
  このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。 トレーニングプロセスと並行してデータを生成する。 このバイアスをメモリバッファで軽減する戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T09:31:25Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)

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。