論文の概要: Machine learning with data assimilation and uncertainty quantification
for dynamical systems: a review
- arxiv url: http://arxiv.org/abs/2303.10462v1
- Date: Sat, 18 Mar 2023 17:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 19:09:57.690606
- Title: Machine learning with data assimilation and uncertainty quantification
for dynamical systems: a review
- Title（参考訳）: 動的システムのデータ同化と不確実性定量化を用いた機械学習
- Authors: Sibo Cheng, Cesar Quilodran-Casas, Said Ouala, Alban Farchi, Che Liu,
Pierre Tandeo, Ronan Fablet, Didier Lucor, Bertrand Iooss, Julien Brajard,
Dunhui Xiao, Tijana Janjic, Weiping Ding, Yike Guo, Alberto Carrassi, Marc
Bocquet, Rossella Arcucci
- Abstract要約: 近年、DA、UQ、機械学習(ML)技術の組み合わせに多くの努力がなされている。
これらの研究は、高次元力学系におけるいくつかの重要な課題に対処しようとしている。
本稿では,この学際分野における最先端研究について概説する。
- 参考スコア（独自算出の注目度）: 31.98982508378454
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Data Assimilation (DA) and Uncertainty quantification (UQ) are extensively
used in analysing and reducing error propagation in high-dimensional
spatial-temporal dynamics. Typical applications span from computational fluid
dynamics (CFD) to geoscience and climate systems. Recently, much effort has
been given in combining DA, UQ and machine learning (ML) techniques. These
research efforts seek to address some critical challenges in high-dimensional
dynamical systems, including but not limited to dynamical system
identification, reduced order surrogate modelling, error covariance
specification and model error correction. A large number of developed
techniques and methodologies exhibit a broad applicability across numerous
domains, resulting in the necessity for a comprehensive guide. This paper
provides the first overview of the state-of-the-art researches in this
interdisciplinary field, covering a wide range of applications. This review
aims at ML scientists who attempt to apply DA and UQ techniques to improve the
accuracy and the interpretability of their models, but also at DA and UQ
experts who intend to integrate cutting-edge ML approaches to their systems.
Therefore, this article has a special focus on how ML methods can overcome the
existing limits of DA and UQ, and vice versa. Some exciting perspectives of
this rapidly developing research field are also discussed.
- Abstract（参考訳）: データ同化(DA)と不確かさ量子化(UQ)は、高次元空間時間力学における誤差伝播の解析と低減に広く用いられている。
典型的な応用は計算流体力学(CFD)から地球科学や気候システムまで様々である。
近年、DA、UQ、機械学習(ML)技術の組み合わせに多くの努力がなされている。
これらの研究は、力学系同定、減次サロゲートモデリング、誤差共分散仕様、モデル誤差補正など、高次元力学系におけるいくつかの重要な課題に対処することを目的としている。
多くの先進的な技術や方法論は、多くの領域で幅広い適用性を示しており、包括的なガイドが必要である。
本稿では,この学際分野における最先端研究について概説し,幅広い応用分野について概説する。
このレビューは、DAおよびUQ技術を適用してモデルの精度と解釈可能性を向上させることを目指す機械学習科学者だけでなく、最先端のMLアプローチをシステムに統合しようとするDAおよびUQ専門家も対象とする。
したがって、この記事では、MLメソッドが既存のDAとUQの限界を克服する方法に特化しています。
この急速に発展する研究分野のいくつかのエキサイティングな視点についても論じる。
関連論文リスト
- AI-Aided Kalman Filters [65.35350122917914]
カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。
最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。
本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
論文 参考訳（メタデータ） (2024-10-16T06:47:53Z) - Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - Dynamic and Adaptive Feature Generation with LLM [10.142660254703225]
本稿では,特徴生成プロセスの解釈可能性を高める動的かつ適応的な特徴生成手法を提案する。
弊社のアプローチは、さまざまなデータタイプやタスクに適用可能性を広げ、戦略的柔軟性よりも優位性を引き出す。
論文 参考訳（メタデータ） (2024-06-04T20:32:14Z) - Unified Explanations in Machine Learning Models: A Perturbation Approach [0.0]
XAIとモデリング技術の不整合は、これらの説明可能性アプローチの有効性に疑念を投げかけるという望ましくない効果をもたらす可能性がある。
我々はXAI, SHapley Additive exPlanations (Shap) において, 一般的なモデルに依存しない手法に対する系統的摂動解析を提案する。
我々は、一般的な機械学習とディープラーニングの手法のスイートと、静的ケースホールドで生成された説明の正確さを定量化するためのメトリクスの中で、動的推論の設定において、相対的な特徴重要度を生成するアルゴリズムを考案した。
論文 参考訳（メタデータ） (2024-05-30T16:04:35Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - Survey on Deep Fuzzy Systems in regression applications: a view on
interpretability [1.2158275183241178]
回帰問題は、ディープラーニング(DL)技術によってますます受け入れられてきた。
これらのモデルの解釈可能性にアクセスすることは、センシティブな領域の問題に対処する上で重要な要素である。
本稿では,DLとFLSを組み合わせた既存手法の現状について検討する。
論文 参考訳（メタデータ） (2022-09-09T10:40:31Z) - NeuralUQ: A comprehensive library for uncertainty quantification in
neural differential equations and operators [0.0]
機械学習における不確実性定量化(UQ)は、現在、研究の関心が高まっている。
我々は,SciMLのUQメソッドを便利かつ構造化した方法で使用するために,NeuralUQと呼ばれるオープンソースのPythonライブラリを提案する。
論文 参考訳（メタデータ） (2022-08-25T04:28:18Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Latent Space Data Assimilation by using Deep Learning [0.0]
データ同化(DA)を低コストで行うことは、地球系のモデリングにおいて主要な関心事である。
daフレームワークにディープラーニング(dl)メソッドを組み込んでいます。
本稿では,オートエンコーダ(AE)による潜時構造を利用して,モデル誤差(ETKF-Q)を潜時空間に有するEnsemble Transform Kalman Filterを設計する。
論文 参考訳（メタデータ） (2021-04-01T12:25:55Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z)
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。