論文の概要: Probabilistic Exponential Integrators
- arxiv url: http://arxiv.org/abs/2305.14978v2
- Date: Tue, 19 Dec 2023 15:21:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 02:16:15.661819
- Title: Probabilistic Exponential Integrators
- Title(参考訳): 確率的指数積分器
- Authors: Nathanael Bosch, Philipp Hennig, Filip Tronarp
- Abstract要約: 標準的な解法と同様に、一定の厳格なシステムに対してパフォーマンス上のペナルティを被る。
本稿では,確率的指数的解法を好適な性質を持つクラスで開発する。
多重微分方程式における提案手法の評価を行った。
- 参考スコア(独自算出の注目度): 36.98314810594263
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilistic solvers provide a flexible and efficient framework for
simulation, uncertainty quantification, and inference in dynamical systems.
However, like standard solvers, they suffer performance penalties for certain
stiff systems, where small steps are required not for reasons of numerical
accuracy but for the sake of stability. This issue is greatly alleviated in
semi-linear problems by the probabilistic exponential integrators developed in
this paper. By including the fast, linear dynamics in the prior, we arrive at a
class of probabilistic integrators with favorable properties. Namely, they are
proven to be L-stable, and in a certain case reduce to a classic exponential
integrator -- with the added benefit of providing a probabilistic account of
the numerical error. The method is also generalized to arbitrary non-linear
systems by imposing piece-wise semi-linearity on the prior via Jacobians of the
vector field at the previous estimates, resulting in probabilistic exponential
Rosenbrock methods. We evaluate the proposed methods on multiple stiff
differential equations and demonstrate their improved stability and efficiency
over established probabilistic solvers. The present contribution thus expands
the range of problems that can be effectively tackled within probabilistic
numerics.
- Abstract(参考訳): 確率的解法は、力学系におけるシミュレーション、不確実性定量化、推論のための柔軟で効率的なフレームワークを提供する。
しかし、標準解法と同様に、数値精度のためではなく安定性のために小さなステップが必要となる特定の剛性系で性能上のペナルティを被る。
本稿では,確率指数積分器による半線形問題において,この問題を大幅に緩和する。
先行する高速線形ダイナミクスを組み込むことで、望ましい性質を持つ確率的積分器のクラスに到達する。
すなわち、それらはL安定であることが証明され、ある場合には古典的な指数積分器に還元され、数値誤差の確率的説明を与える利点が加わった。
この方法は、前回の推定でベクトル場のヤコビアンを通して、前者の半線型性を補足することで任意の非線形系に一般化され、確率的指数的ローゼンブロック法がもたらされる。
本研究では,複数の微分方程式に対する提案手法の評価を行い,確率的解法よりも安定性と効率が向上したことを示す。
この貢献により、確率的数値の中で効果的に取り組める問題の範囲が拡大される。
関連論文リスト
- Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic
Representation [62.017505017414564]
教師なしの方法でニューラルソルバを訓練することが不可欠である。
既存の手法は妥当な精度を達成し、重要な計算課題と不正確なシミュレーションをもたらす。
PDEの確率的表現を用いて教師なしニューラルソルバを訓練するためのモンテカルロPDEソルバを提案する。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - High-Probability Bounds for Stochastic Optimization and Variational
Inequalities: the Case of Unbounded Variance [59.211456992422136]
制約の少ない仮定の下で高確率収束結果のアルゴリズムを提案する。
これらの結果は、標準機能クラスに適合しない問題を最適化するために検討された手法の使用を正当化する。
論文 参考訳(メタデータ) (2023-02-02T10:37:23Z) - A Learning-Based Optimal Uncertainty Quantification Method and Its
Application to Ballistic Impact Problems [1.713291434132985]
本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。
本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。
本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
論文 参考訳(メタデータ) (2022-12-28T14:30:53Z) - Probabilistic ODE Solutions in Millions of Dimensions [19.09929271850469]
本稿では,確率論的数値アルゴリズムを用いて高次元ODEを解くための数学的仮定と詳細な実装手法を説明する。
これはそれまで、各解法における行列行列演算により不可能であった。
数百万次元の微分方程式の確率論的数値シミュレーションを含む,様々な問題に対する結果の効率性を評価する。
論文 参考訳(メタデータ) (2021-10-22T14:35:45Z) - Linear-Time Probabilistic Solutions of Boundary Value Problems [27.70274403550477]
我々は、Gauss--Markov を前もって導入し、特に BVP に調整する。
これにより、線形時間で解の後方分布を計算し、よく確立された非確率的手法に匹敵する品質とコストで計算することができる。
論文 参考訳(メタデータ) (2021-06-14T21:19:17Z) - Near-Optimal High Probability Complexity Bounds for Non-Smooth
Stochastic Optimization with Heavy-Tailed Noise [63.304196997102494]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
既存の非滑らか凸最適化法は、負のパワーまたは対数的な信頼度に依存する境界の複雑さを持つ。
クリッピングを用いた2つの勾配法に対して, 新たなステップサイズルールを提案する。
論文 参考訳(メタデータ) (2021-06-10T17:54:21Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳(メタデータ) (2021-05-17T08:36:18Z) - Stable Implementation of Probabilistic ODE Solvers [27.70274403550477]
常微分方程式(odes)の確率的解法は、数値の不確かさの効率的な定量化をもたらす。
それらは高い順序でまたは小さいステップ サイズと動くとき数値不安定に苦しみます。
本研究は,この問題に対する解決策を提案し,検討する。
正確な初期化、数値安定性をステップサイズ非依存にする座標変更事前条件、平方根実装の3つのコンポーネントを含んでいる。
論文 参考訳(メタデータ) (2020-12-18T08:35:36Z) - Statistical optimality and stability of tangent transform algorithms in
logit models [6.9827388859232045]
我々は,データ生成過程の条件として,ロジカルオプティマによって引き起こされるリスクに対して,非漸近上界を導出する。
特に,データ生成過程の仮定なしにアルゴリズムの局所的変動を確立する。
我々は,大域収束が得られる半直交設計を含む特別な場合について検討する。
論文 参考訳(メタデータ) (2020-10-25T05:15:13Z) - General stochastic separation theorems with optimal bounds [68.8204255655161]
分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。
エラーやエラーのクラスタは、残りのデータから分離することができる。
AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
論文 参考訳(メタデータ) (2020-10-11T13:12:41Z)
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。