論文の概要: Data-driven Nonlinear Parametric Model Order Reduction Framework using
Deep Hierarchical Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2307.06816v1
- Date: Mon, 10 Jul 2023 02:44:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-14 14:19:34.750875
- Title: Data-driven Nonlinear Parametric Model Order Reduction Framework using
Deep Hierarchical Variational Autoencoder
- Title（参考訳）: 階層的変分オートエンコーダを用いたデータ駆動非線形パラメトリックモデルオーダー削減フレームワーク
- Authors: SiHun Lee, Sangmin Lee, Kijoo Jang, Haeseong Cho, and SangJoon Shin
- Abstract要約: 深層ニューラルネットワークを用いたデータ駆動パラメトリックモデルオーダー削減(MOR)手法を提案する。
LSH-VAEは、非線形力学系のパラメトリックに対して、かなりの数の自由度で非線形MORを実行することができる。
- 参考スコア（独自算出の注目度）: 5.521324490427243
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A data-driven parametric model order reduction (MOR) method using a deep
artificial neural network is proposed. The present network, which is the
least-squares hierarchical variational autoencoder (LSH-VAE), is capable of
performing nonlinear MOR for the parametric interpolation of a nonlinear
dynamic system with a significant number of degrees of freedom. LSH-VAE
exploits two major changes to the existing networks: a hierarchical deep
structure and a hybrid weighted, probabilistic loss function. The enhancements
result in a significantly improved accuracy and stability compared against the
conventional nonlinear MOR methods, autoencoder, and variational autoencoder.
Upon LSH-VAE, a parametric MOR framework is presented based on the spherically
linear interpolation of the latent manifold. The present framework is validated
and evaluated on three nonlinear and multiphysics dynamic systems. First, the
present framework is evaluated on the fluid-structure interaction benchmark
problem to assess its efficiency and accuracy. Then, a highly nonlinear
aeroelastic phenomenon, limit cycle oscillation, is analyzed. Finally, the
present framework is applied to a three-dimensional fluid flow to demonstrate
its capability of efficiently analyzing a significantly large number of degrees
of freedom. The performance of LSH-VAE is emphasized by comparing its results
against that of the widely used nonlinear MOR methods, convolutional
autoencoder, and $\beta$-VAE. The present framework exhibits a significantly
enhanced accuracy to the conventional methods while still exhibiting a large
speed-up factor.
- Abstract（参考訳）: 深層ニューラルネットワークを用いたデータ駆動パラメトリックモデルオーダー削減(MOR)手法を提案する。
本ネットワークは、最小二乗階層型変分オートエンコーダ(lsh-vae)であり、多数の自由度を有する非線形力学系のパラメトリック補間に対して非線形モーメントを行うことができる。
LSH-VAEは、階層的な深い構造とハイブリッドな重み付き確率損失関数という、既存のネットワークに対する2つの大きな変更を利用する。
その結果、従来の非線形MOR法、オートエンコーダ、変分オートエンコーダと比較して精度と安定性が大幅に向上した。
LSH-VAE のとき、ラテント多様体の球状線形補間に基づいてパラメトリック MOR フレームワークが提示される。
本フレームワークは3つの非線形および多物理力学系に対して検証および評価を行う。
まず, 流体-構造相互作用ベンチマーク問題を用いて, その効率と精度を評価する。
そして、非常に非線形なエアロ弾性現象であるリミットサイクル振動を解析する。
最後に, この枠組みを三次元流体流に適用し, かなりの数の自由度を効率的に解析する能力を示す。
LSH-VAEの性能は、広く使われている非線形MOR法、畳み込みオートエンコーダ、および$\beta$-VAEと比較することによって強調される。
本フレームワークは,従来手法に比べて精度が大幅に向上し,高速化率も高い。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。
異なる時系列変数間の非線形相互作用を含む。
実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
論文 参考訳（メタデータ） (2023-09-29T11:42:59Z) - Learning Nonlinear Projections for Reduced-Order Modeling of Dynamical
Systems using Constrained Autoencoders [0.0]
制約付き自己エンコーダニューラルネットワークによって記述された非線形射影のクラスを導入し,データから多様体と射影繊維の両方を学習する。
我々のアーキテクチャでは、エンコーダがデコーダの左逆であることを保証するために、可逆的アクティベーション関数と生物直交重み行列を用いる。
また,高速なダイナミックスと非正規性を考慮した斜め射影ファイバの学習を促進するために,新しいダイナミックス対応コスト関数を導入する。
論文 参考訳（メタデータ） (2023-07-28T04:01:48Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-02-11T21:07:30Z) - Unifying Model-Based and Neural Network Feedforward: Physics-Guided
Neural Networks with Linear Autoregressive Dynamics [0.0]
本稿では,未知の非線形力学を補償するフィードフォワード制御フレームワークを開発する。
フィードフォワードコントローラは、物理モデルとニューラルネットワークの並列結合としてパラメータ化される。
論文 参考訳（メタデータ） (2022-09-26T08:01:28Z) - Non-linear manifold ROM with Convolutional Autoencoders and Reduced
Over-Collocation method [0.0]
非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。
我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。
本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
論文 参考訳（メタデータ） (2022-03-01T11:16:50Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。
LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
論文 参考訳（メタデータ） (2020-12-21T06:40:20Z) - DynNet: Physics-based neural architecture design for linear and
nonlinear structural response modeling and prediction [2.572404739180802]
本研究では,線形および非線形な多自由度系の力学を学習できる物理に基づくリカレントニューラルネットワークモデルを提案する。
このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
論文 参考訳（メタデータ） (2020-07-03T17:05:35Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z)
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。