論文の概要: Context-aware learning of hierarchies of low-fidelity models for
multi-fidelity uncertainty quantification
- arxiv url: http://arxiv.org/abs/2211.10835v1
- Date: Sun, 20 Nov 2022 01:12:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 23:45:45.252949
- Title: Context-aware learning of hierarchies of low-fidelity models for
multi-fidelity uncertainty quantification
- Title(参考訳): 多元不確かさ定量化のための低忠実度モデル階層の文脈認識学習
- Authors: Ionut-Gabriel Farcas and Benjamin Peherstorfer and Tobias Neckel and
Frank Jenko and Hans-Joachim Bungartz
- Abstract要約: 多忠実モンテカルロ法は、分散還元のための低忠実度およびシュロゲートモデルを利用して、トラクタブル不確実性定量化を行う。
本研究は,低忠実度モデルのトレーニングコストとモンテカルロサンプリングコストとを最適にバランスさせる,文脈対応多忠実度モンテカルロ法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-fidelity Monte Carlo methods leverage low-fidelity and surrogate models
for variance reduction to make tractable uncertainty quantification even when
numerically simulating the physical systems of interest with high-fidelity
models is computationally expensive. This work proposes a context-aware
multi-fidelity Monte Carlo method that optimally balances the costs of training
low-fidelity models with the costs of Monte Carlo sampling. It generalizes the
previously developed context-aware bi-fidelity Monte Carlo method to
hierarchies of multiple models and to more general types of low-fidelity
models. When training low-fidelity models, the proposed approach takes into
account the context in which the learned low-fidelity models will be used,
namely for variance reduction in Monte Carlo estimation, which allows it to
find optimal trade-offs between training and sampling to minimize upper bounds
of the mean-squared errors of the estimators for given computational budgets.
This is in stark contrast to traditional surrogate modeling and model reduction
techniques that construct low-fidelity models with the primary goal of
approximating well the high-fidelity model outputs and typically ignore the
context in which the learned models will be used in upstream tasks. The
proposed context-aware multi-fidelity Monte Carlo method applies to hierarchies
of a wide range of types of low-fidelity models such as sparse-grid and
deep-network models. Numerical experiments with the gyrokinetic simulation code
\textsc{Gene} show speedups of up to two orders of magnitude compared to
standard estimators when quantifying uncertainties in small-scale fluctuations
in confined plasma in fusion reactors. This corresponds to a runtime reduction
from 72 days to about four hours on one node of the Lonestar6 supercomputer at
the Texas Advanced Computing Center.
- Abstract(参考訳): マルチフィデリティモンテカルロ法は分散低減のために低忠実度モデルとサロゲートモデルを利用しており、高忠実度モデルで関心のある物理系を数値的にシミュレートしても計算コストがかかる。
本研究では,低忠実度モデルの訓練コストとモンテカルロサンプリングのコストを最適にバランスさせる,文脈対応マルチフィデリティモンテカルロ法を提案する。
以前に開発された文脈対応双忠実モンテカルロ法を、複数のモデルの階層化やより一般的な低忠実度のモデルに一般化する。
低忠実度モデルのトレーニングでは、学習した低忠実度モデルの文脈、すなわちモンテカルロ推定の分散低減について考慮し、与えられた計算予算に対する推定値の平均二乗誤差の上限を最小化するためにトレーニングとサンプリングの間の最適なトレードオフを見つける。
これは、高忠実度モデルの出力を適切に近似し、学習したモデルを上流タスクで使用するコンテキストを無視して、低忠実度モデルを構築する従来の代理モデルやモデル縮小技術とは対照的である。
提案手法は,スパースグリッドモデルやディープネットワークモデルなど,多種多様な低忠実度モデルの階層化に適用できる。
シミュレーションコード \textsc{Gene} を用いた数値実験では, 核融合炉内の閉じ込められたプラズマの小型変動における不確かさの定量化において, 標準推定器と比較して最大2桁の速度向上を示す。
これはテキサス・アドバンスト・コンピューティング・センター(Texas Advanced Computing Center)のLonestar6スーパーコンピュータの1ノードで72日から約4時間に短縮される。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳(メタデータ) (2024-11-02T07:06:53Z) - Bayesian computation with generative diffusion models by Multilevel Monte Carlo [0.16874375111244327]
本稿では,拡散モデルによるベイズ計算のコストを大幅に削減するマルチレベルモンテカルロ戦略を提案する。
提案したマルチレベルモンテカルロ法の有効性は、3つの標準計算イメージング問題で実証された。
論文 参考訳(メタデータ) (2024-09-23T19:57:08Z) - Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models [0.34592277400656235]
マルチフィデリティ機械学習手法は、少ないリソース集約型高フィデリティデータと、豊富なが精度の低い低フィデリティデータを統合する。
低次元領域と高次元領域にまたがる問題に対する実用的多面性戦略を提案する。
論文 参考訳(メタデータ) (2024-07-21T10:40:50Z) - General multi-fidelity surrogate models: Framework and active learning
strategies for efficient rare event simulation [1.708673732699217]
複雑な現実世界のシステムの失敗の確率を推定することは、しばしば違法に高価である。
本稿では,頑健な多要素代理モデリング戦略を提案する。
高忠実度モデル呼び出しの数を劇的に削減しながら、非常に正確であることが示されている。
論文 参考訳(メタデータ) (2022-12-07T00:03:21Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - Context-aware surrogate modeling for balancing approximation and
sampling costs in multi-fidelity importance sampling and Bayesian inverse
problems [0.0]
マルチファイダリティ法は、低コストのサロゲートモデルを利用して計算を高速化する。
代用モデルと高忠実度モデルが併用されるため、代用モデルによる貧弱な予測は、高忠実度モデルへの頻繁な関係で補うことができる。
この研究は、多重忠実度重要度サンプリングを考慮し、サロゲートモデルの忠実度を増大させることから理論的および計算的にトレードオフする。
論文 参考訳(メタデータ) (2020-10-22T13:31:51Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - 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。