Fugu-MT 論文翻訳(概要): Differentiable Physics-based Greenhouse Simulation

論文の概要: Differentiable Physics-based Greenhouse Simulation

arxiv url: http://arxiv.org/abs/2211.11502v1
Date: Mon, 21 Nov 2022 14:37:25 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 23:13:22.583497
Title: Differentiable Physics-based Greenhouse Simulation
Title（参考訳）: 微分可能な物理に基づく温室効果シミュレーション
Authors: Nhat M. Nguyen, Hieu T. Tran, Minh V. Duong, Hanh Bui, Kenneth Tran
Abstract要約: このモデルは完全に解釈可能であり、長期にわたって温室における気候と作物の動態を予測できる。本稿では、微分方程式の解法を提案し、データに観測不能な状態が存在しない問題に対処し、モデルを効率的に訓練する。
参考スコア（独自算出の注目度）: 4.420086316176459
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a differentiable greenhouse simulation model based on physical processes whose parameters can be obtained by training from real data. The physics-based simulation model is fully interpretable and is able to do state prediction for both climate and crop dynamics in the greenhouse over very a long time horizon. The model works by constructing a system of linear differential equations and solving them to obtain the next state. We propose a procedure to solve the differential equations, handle the problem of missing unobservable states in the data, and train the model efficiently. Our experiment shows the procedure is effective. The model improves significantly after training and can simulate a greenhouse that grows cucumbers accurately.
Abstract（参考訳）: 本稿では,実データからパラメータを学習することで得られる物理プロセスに基づく微分可能温室シミュレーションモデルを提案する。物理に基づくシミュレーションモデルは完全に解釈可能であり、温室における気候と作物の動態を非常に長い時間にわたって予測することができる。このモデルは線形微分方程式の系を構築し、それらを解いて次の状態を得る。本研究では,微分方程式の解法を提案し,データに観測不能な状態の問題を扱い,モデルを効率的に訓練する。私たちの実験は手順が効果的であることを示している。モデルはトレーニング後に大幅に改善され、キュウリを正確に成長させる温室をシミュレートすることができる。

関連論文リスト

On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文参考訳（メタデータ） (2024-03-25T11:29:32Z)
Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
排水処理データのトレーニングモデルを改善するための2つの手法を実装した。実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
論文参考訳（メタデータ） (2024-03-22T10:20:09Z)
Sim2Real for Environmental Neural Processes [20.850715955359593]
我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。 Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
論文参考訳（メタデータ） (2023-10-30T18:49:06Z)
FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures Emulation [13.745581787463962]
本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
論文参考訳（メタデータ） (2023-07-14T08:43:36Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
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。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
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)
Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence [0.19686770963118383]
ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
論文参考訳（メタデータ） (2022-05-09T23:52:37Z)
Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文参考訳（メタデータ） (2021-11-02T12:33:42Z)

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。