論文の概要: Adaptive learning of effective dynamics: Adaptive real-time, online modeling for complex systems

• arxiv url: http://arxiv.org/abs/2304.01732v1
• Date: Tue, 4 Apr 2023 12:05:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 13:57:15.434935
• Title: Adaptive learning of effective dynamics: Adaptive real-time, online modeling for complex systems
• Title（参考訳）: 実効力学の適応学習:複雑なシステムに対する適応的リアルタイムオンラインモデリング
• Authors: Ivica Ki\v{c}i\'c and Pantelis R. Vlachas and Georgios Arampatzis and Michail Chatzimanolakis and Leonidas Guibas and Petros Koumoutsakos
• Abstract要約: 本稿では,大規模シミュレーションを橋渡しし,適応的に有効な力学を抽出・予測する新しいフレームワークを提案する。 AdaLEDはオートエンコーダを使用して、システムダイナミクスの低次表現と確率的リカレントニューラルネットワーク(RNN)のアンサンブルを遅延時間ステップ時間として識別する。 このフレームワークは、計算解法とサロゲートを交互に組み合わせ、学習力学を加速し、まだ学習されていない力学系を元の解法に残す。
• 参考スコア（独自算出の注目度）: 2.6144444305800234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive simulations are essential for applications ranging from weather forecasting to material design. The veracity of these simulations hinges on their capacity to capture the effective system dynamics. Massively parallel simulations predict the systems dynamics by resolving all spatiotemporal scales, often at a cost that prevents experimentation. On the other hand, reduced order models are fast but often limited by the linearization of the system dynamics and the adopted heuristic closures. We propose a novel systematic framework that bridges large scale simulations and reduced order models to extract and forecast adaptively the effective dynamics (AdaLED) of multiscale systems. AdaLED employs an autoencoder to identify reduced-order representations of the system dynamics and an ensemble of probabilistic recurrent neural networks (RNNs) as the latent time-stepper. The framework alternates between the computational solver and the surrogate, accelerating learned dynamics while leaving yet-to-be-learned dynamics regimes to the original solver. AdaLED continuously adapts the surrogate to the new dynamics through online training. The transitions between the surrogate and the computational solver are determined by monitoring the prediction accuracy and uncertainty of the surrogate. The effectiveness of AdaLED is demonstrated on three different systems - a Van der Pol oscillator, a 2D reaction-diffusion equation, and a 2D Navier-Stokes flow past a cylinder for varying Reynolds numbers (400 up to 1200), showcasing its ability to learn effective dynamics online, detect unseen dynamics regimes, and provide net speed-ups. To the best of our knowledge, AdaLED is the first framework that couples a surrogate model with a computational solver to achieve online adaptive learning of effective dynamics. It constitutes a potent tool for applications requiring many expensive simulations.
• Abstract（参考訳）: 予測シミュレーションは、天気予報から材料設計まで幅広い応用に不可欠である。 これらのシミュレーションの妥当性は、効果的なシステムダイナミクスを捉える能力にかかっている。 大規模並列シミュレーションは、時空間的スケールを全て解き、しばしば実験を妨げるコストでシステムダイナミクスを予測する。 一方、還元順序モデルは高速であるが、システムダイナミクスの線形化や、採用されているヒューリスティック閉包によって制限されることが多い。 本稿では,大規模シミュレーションを橋渡しし,大規模システムの実効力学(AdaLED)を適応的に抽出し,予測する,新しい体系的枠組みを提案する。 AdaLEDはオートエンコーダを使用して、システムダイナミクスの低次表現と確率的リカレントニューラルネットワーク(RNN)のアンサンブルを潜時ステップとして識別する。 このフレームワークは、計算ソルバとサーロゲートを交互に組み合わせ、学習されたダイナミクスを加速し、未学習のダイナミクスレジームを元のソルバに残す。 AdaLEDはオンライントレーニングを通じて、サロゲートを新しいダイナミクスに継続的に適応させる。 サロゲートの予測精度と不確実性を監視して、サロゲートと計算解器の遷移を決定する。 AdaLEDの有効性は、Van der Pol発振器、2D反応拡散方程式、2D Navier-Stokes流がレイノルズ数(400から1200まで)のシリンダーを通り過ぎ、効果的な力学をオンラインで学習し、目に見えない力学系を検出し、ネットスピードアップを提供する3つの異なるシステムで実証されている。 私たちの知る限りでは、adaledはsurrogateモデルと計算ソルバを結合し、効果的なダイナミクスのオンライン適応学習を実現する最初のフレームワークです。 これは多くの高価なシミュレーションを必要とするアプリケーションのための強力なツールである。

関連論文リスト

• Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
  複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。 LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2024-08-19T09:14:25Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Interpretable learning of effective dynamics for multiscale systems [5.754251195342313]
  iLED(Interpretable Learning Effective Dynamics)の新たな枠組みを提案する。 iLEDは、最先端のリカレントニューラルネットワークベースのアプローチに匹敵する精度を提供する。 その結果、iLEDフレームワークは正確な予測を生成でき、解釈可能なダイナミクスを得ることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-11T20:29:38Z)
• 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)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Continual Learning of Dynamical Systems with Competitive Federated Reservoir Computing [29.98127520773633]
  継続的な学習は、以前の動的体制なしで急激なシステム変更に迅速に適応することを目的としている。 本研究は,連続学習に基づく貯水池計算へのアプローチを提案する。 このマルチヘッド貯水池は、複数の力学系における干渉や忘れを最小化する。
  論文  参考訳（メタデータ） (2022-06-27T14:35:50Z)
• 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)
• 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)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Multiscale Simulations of Complex Systems by Learning their Effective Dynamics [10.52078600986485]
  本稿では,大規模シミュレーションをブリッジし,注文モデルを削減し,実効ダイナミクスを学習するシステムフレームワークを提案する。 LEDは複雑なシステムの正確な予測に新しい強力なモダリティを提供する。 LEDは化学から流体力学に至るまでのシステムに適用でき、計算の労力を最大2桁まで削減できる。
  論文  参考訳（メタデータ） (2020-06-24T02:35:51Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。