論文の概要: Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems
- arxiv url: http://arxiv.org/abs/2306.06174v1
- Date: Fri, 9 Jun 2023 18:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 20:40:21.577296
- Title: Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems
- Title(参考訳): パラメトリック非線形システムの効率的なシミュレーションのためのアクティブラーニング駆動サーロゲートモデリング
- Authors: Harshit Kapadia, Lihong Feng, Peter Benner
- Abstract要約: 支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When repeated evaluations for varying parameter configurations of a
high-fidelity physical model are required, surrogate modeling techniques based
on model order reduction are desired. In absence of the governing equations
describing the dynamics, we need to construct the parametric reduced-order
surrogate model in a non-intrusive fashion. In this setting, the usual
residual-based error estimate for optimal parameter sampling associated with
the reduced basis method is not directly available. Our work provides a
non-intrusive optimality criterion to efficiently populate the parameter
snapshots, thereby, enabling us to effectively construct a parametric surrogate
model. We consider separate parameter-specific proper orthogonal decomposition
(POD) subspaces and propose an active-learning-driven surrogate model using
kernel-based shallow neural networks, abbreviated as ActLearn-POD-KSNN
surrogate model. To demonstrate the validity of our proposed ideas, we present
numerical experiments using two physical models, namely Burgers' equation and
shallow water equations. Both the models have mixed -- convective and diffusive
-- effects within their respective parameter domains, with each of them
dominating in certain regions. The proposed ActLearn-POD-KSNN surrogate model
efficiently predicts the solution at new parameter locations, even for a
setting with multiple interacting shock profiles.
- Abstract(参考訳): 高忠実度物理モデルのパラメータ設定の繰り返し評価が必要な場合、モデルの順序の低減に基づく代理モデリング技術が望まれる。
力学を記述する支配方程式が存在しないため、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
この設定では、最小基底法に関連する最適パラメータサンプリングに対する通常の残差に基づく誤差推定は直接利用できない。
本研究は,パラメータスナップショットを効率的に投入するための非インタラクティブ最適性基準を提供し,パラメトリックサーロゲートモデルを効果的に構築することを可能にする。
パラメータ固有固有直交分解 (pod) 部分空間を別々に検討し, カーネル型浅層ニューラルネットワークを用いたアクティブラーニング駆動サーロゲートモデルを提案し, actlearn-pod-ksnnサーロゲートモデルと略した。
提案手法の有効性を実証するため,バーガーズ方程式と浅水方程式の2つの物理モデルを用いて数値実験を行った。
どちらのモデルも、それぞれのパラメータドメイン内で混合(対流的および拡散的)な効果を持ち、それぞれが特定の領域で支配する。
提案したActLearn-POD-KSNNサロゲートモデルは、複数の相互作用するショックプロファイルを持つ設定であっても、新しいパラメータ位置での解を効率的に予測する。
関連論文リスト
- Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳(メタデータ) (2024-01-09T11:54:54Z) - Boosting Inference Efficiency: Unleashing the Power of Parameter-Shared
Pre-trained Language Models [109.06052781040916]
本稿ではパラメータ共有言語モデルの推論効率を向上させる手法を提案する。
また、完全あるいは部分的に共有されたモデルにつながる単純な事前学習手法を提案する。
その結果,本手法が自己回帰的および自己符号化的PLMに与える影響が示された。
論文 参考訳(メタデータ) (2023-10-19T15:13:58Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳(メタデータ) (2023-07-05T18:14:38Z) - Data-driven reduced-order modelling for blood flow simulations with
geometry-informed snapshots [0.0]
類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。
幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。
ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
論文 参考訳(メタデータ) (2023-02-21T21:18:17Z) - An iterative multi-fidelity approach for model order reduction of
multi-dimensional input parametric PDE systems [0.0]
多次元入力パラメトリック空間を用いた大規模PDEシステムの縮小のためのサンプリングパラメトリック戦略を提案する。
これはパラメトリック空間全体の低忠実度モデルを効率的なサンプリング戦略を用いてサンプリングポイントに利用することで達成される。
提案手法は,低忠実度モデルを用いてソリューションデータベースを同化するため,オフライン段階での計算コストを大幅に削減する。
論文 参考訳(メタデータ) (2023-01-23T15:25:58Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-06-17T07:50:22Z) - 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) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-23T12:52:49Z) - On the Parameter Combinations That Matter and on Those That do Not [0.0]
モデルパラメータの非識別性を特徴付けるためのデータ駆動型手法を提案する。
Diffusion Mapsとその拡張を利用することで、動的出力の振る舞いを特徴づけるために必要なパラメータの最小の組み合わせを発見する。
論文 参考訳(メタデータ) (2021-10-13T13:46:23Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z)
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。