論文の概要: Certified data-driven physics-informed greedy auto-encoder simulator
- arxiv url: http://arxiv.org/abs/2211.13698v1
- Date: Thu, 24 Nov 2022 16:22:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 18:50:17.035738
- Title: Certified data-driven physics-informed greedy auto-encoder simulator
- Title(参考訳): データ駆動型物理インフォームドグリーディオートエンコーダシミュレータ
- Authors: Xiaolong He, Youngsoo Choi, William D. Fries, Jonathan L. Belof,
Jiun-Shyan Chen
- Abstract要約: 自己エンコーダと動的識別モデルを対話的にトレーニングし、本質的で単純な潜在空間のダイナミクスを発見する。
物理インフォームドエラーインジケータと統合された適応型グリーディサンプリングアルゴリズムを導入し,フライ時の最適なトレーニングサンプルを探索する。
数値計算の結果,提案手法は放射差対流および2次元バーガース力学問題に対して1~5%の相対誤差でパラメトリック121~2,658倍の高速化を実現する。
- 参考スコア(独自算出の注目度): 0.5249805590164902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A parametric adaptive greedy Latent Space Dynamics Identification (gLaSDI)
framework is developed for accurate, efficient, and certified data-driven
physics-informed greedy auto-encoder simulators of high-dimensional nonlinear
dynamical systems. In the proposed framework, an auto-encoder and dynamics
identification models are trained interactively to discover intrinsic and
simple latent-space dynamics. To effectively explore the parameter space for
optimal model performance, an adaptive greedy sampling algorithm integrated
with a physics-informed error indicator is introduced to search for optimal
training samples on the fly, outperforming the conventional predefined uniform
sampling. Further, an efficient k-nearest neighbor convex interpolation scheme
is employed to exploit local latent-space dynamics for improved predictability.
Numerical results demonstrate that the proposed method achieves 121 to 2,658x
speed-up with 1 to 5% relative errors for radial advection and 2D Burgers
dynamical problems.
- Abstract(参考訳): 高次元非線形力学系のデータ駆動型物理インフォームドグレディ自動エンコーダシミュレータにおいて,パラメータ適応型グレディ遅延宇宙ダイナミクス同定(gLaSDI)フレームワークを開発した。
提案手法では,自動エンコーダとダイナミクス同定モデルを対話的に訓練し,内在的で単純な潜在空間ダイナミクスを探索する。
最適モデル性能のためのパラメータ空間を効果的に探索するために,物理インフォームドエラーインジケータと統合された適応型グリーディサンプリングアルゴリズムを導入し,ハエの最適なトレーニングサンプルを探索し,従来の一様サンプリングよりも優れていた。
さらに, 局所潜在空間力学を有効利用し, 予測可能性の向上を図るため, 効率的なk-アレスト近傍凸補間法を用いる。
数値計算の結果,提案手法は1~5%の相対誤差で111~2,658倍の高速化を実現している。
関連論文リスト
- Machine learning enhanced real-time aerodynamic forces prediction based
on sparse pressure sensor inputs [7.112725255953468]
本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。
本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
論文 参考訳(メタデータ) (2023-05-16T06:15:13Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Reduced order modeling of parametrized systems through autoencoders and
SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。
提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。
これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文 参考訳(メタデータ) (2022-11-13T01:57:18Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics
Identification [0.5249805590164902]
物理インフォームド・グレディ・ラテント・スペース・ダイナミクス同定法(gLa)を提案する。
インタラクティブなトレーニングアルゴリズムがオートエンコーダとローカルDIモデルに採用され、単純な潜在空間のダイナミクスを識別できる。
提案手法の有効性は, 様々な非線形力学問題をモデル化することによって実証される。
論文 参考訳(メタデータ) (2022-04-26T00:15:46Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Data-driven reduced order modeling of environmental hydrodynamics using
deep autoencoders and neural ODEs [3.4527210650730393]
減弱基底表現の発見にディープオートエンコーダを用いた場合について検討する。
テスト問題としては,シリンダーまわりの非圧縮性流れや,河口系における浅水流体力学の現実的応用などが挙げられる。
論文 参考訳(メタデータ) (2021-07-06T17:45:37Z) - Incorporating Kinematic Wave Theory into a Deep Learning Method for
High-Resolution Traffic Speed Estimation [3.0969191504482243]
本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。
我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
論文 参考訳(メタデータ) (2021-02-04T21:51:25Z)
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。