論文の概要: Challenges and opportunities for machine learning in multiscale
computational modeling
- arxiv url: http://arxiv.org/abs/2303.12261v1
- Date: Wed, 22 Mar 2023 02:04:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 15:36:59.364007
- Title: Challenges and opportunities for machine learning in multiscale
computational modeling
- Title(参考訳): マルチスケール計算モデルにおける機械学習の課題と機会
- Authors: Phong C.H. Nguyen, Joseph B. Choi, H.S. Udaykumar, Stephen Baek
- Abstract要約: 複雑なマルチスケールシステムの解法は、解空間の高次元性のために計算的に一様である。
機械学習(ML)は、従来の数値手法のサロゲートとして機能し、加速し、拡張できる有望なソリューションとして登場した。
本稿では、複雑なマルチスケールモデリングとシミュレーションにMLを使う機会と課題について述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many mechanical engineering applications call for multiscale computational
modeling and simulation. However, solving for complex multiscale systems
remains computationally onerous due to the high dimensionality of the solution
space. Recently, machine learning (ML) has emerged as a promising solution that
can either serve as a surrogate for, accelerate or augment traditional
numerical methods. Pioneering work has demonstrated that ML provides solutions
to governing systems of equations with comparable accuracy to those obtained
using direct numerical methods, but with significantly faster computational
speed. These high-speed, high-fidelity estimations can facilitate the solving
of complex multiscale systems by providing a better initial solution to
traditional solvers. This paper provides a perspective on the opportunities and
challenges of using ML for complex multiscale modeling and simulation. We first
outline the current state-of-the-art ML approaches for simulating multiscale
systems and highlight some of the landmark developments. Next, we discuss
current challenges for ML in multiscale computational modeling, such as the
data and discretization dependence, interpretability, and data sharing and
collaborative platform development. Finally, we suggest several potential
research directions for the future.
- Abstract(参考訳): 多くの機械工学的応用は、マルチスケールの計算モデリングとシミュレーションを求めている。
しかし、複雑なマルチスケールシステムの解法は、解空間の高次元性のために計算的に一様である。
近年、機械学習(ML)は、従来の数値手法の代用、加速、拡張の可能な、有望なソリューションとして登場した。
パイオネリングの研究は、MLが直接数値法で得られるものと同等の精度で方程式のシステムを管理するためのソリューションを提供するが、計算速度は大幅に高速であることを示した。
これらの高速高忠実度推定は、従来の解法により良い初期解を提供することにより、複雑なマルチスケールシステムの解決を容易にする。
本稿では、複雑なマルチスケールモデリングとシミュレーションにMLを使う機会と課題について述べる。
まず,マルチスケールシステムをシミュレートするための最先端mlアプローチを概説し,ランドマーク開発のいくつかを強調する。
次に、データと離散化依存、解釈可能性、データ共有と協調プラットフォーム開発といったマルチスケール計算モデリングにおけるmlの現在の課題について論じる。
最後に,今後の研究の方向性について提案する。
関連論文リスト
- Insights into Multiscale Complexity: from Macroscopic Patterns to
Microscopic Simulations via Deep Learning [16.264828930821903]
本稿では,大規模力学を独立にモデル化することで,新しい解法法を提案する。
スペクトル物理学インフォームドニューラルネットワーク(PINN)は,小型システムを効率的かつ高精度に特徴付けるために開発された。
方程式法の有効性は、広範囲な数値実験によって実証される。
論文 参考訳(メタデータ) (2024-02-07T18:19:51Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - 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) - 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) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳(メタデータ) (2022-08-07T09:02:18Z) - PhySRNet: Physics informed super-resolution network for application in
computational solid mechanics [0.0]
本研究は,物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発を目的とする。
高分解能ラベル付きデータを必要とせずに、高分解能変形場を低分解能変形体から復元することができる。
論文 参考訳(メタデータ) (2022-06-30T17:51:50Z) - Interfacing Finite Elements with Deep Neural Operators for Fast
Multiscale Modeling of Mechanics Problems [4.280301926296439]
本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。
DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。
精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-25T20:46:08Z) - Efficient time stepping for numerical integration using reinforcement
learning [0.15393457051344295]
機械学習とメタラーニングに基づくデータ駆動型タイムステッピング方式を提案する。
まず、1つまたは複数の基礎学習者(非滑らかまたはハイブリッドシステムの場合)はRLを使用して訓練されます。
次に、メタ学習者は(システムの状態に応じて)現在の状況に最適と思われる基礎学習者を選択する訓練を受ける。
論文 参考訳(メタデータ) (2021-04-08T07:24:54Z) - Interpretable Hyperspectral AI: When Non-Convex Modeling meets
Hyperspectral Remote Sensing [57.52865154829273]
ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。
過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。
このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
論文 参考訳(メタデータ) (2021-03-02T03:32:10Z) - A general framework for modeling and dynamic simulation of multibody
systems using factor graphs [0.8701566919381223]
本稿では,多体系の運動学的および動的問題を解くために,因子グラフ理論に基づく新しい汎用フレームワークを提案する。
独立座標と依存座標の両方を用いて多体系をモデル化・シミュレートするための因子グラフの構築方法について述べる。
提案されたフレームワークは広範なシミュレーションでテストされ、商用のマルチボディソフトウェアに対して検証されている。
論文 参考訳(メタデータ) (2021-01-08T06:45:45Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z)
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。