論文の概要: Towards a population-informed approach to the definition of data-driven
models for structural dynamics
- arxiv url: http://arxiv.org/abs/2307.09862v1
- Date: Wed, 19 Jul 2023 09:45:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 14:38:24.552071
- Title: Towards a population-informed approach to the definition of data-driven
models for structural dynamics
- Title（参考訳）: 構造力学のためのデータ駆動モデル定義への集団インフォームドアプローチに向けて
- Authors: G. Tsialiamanis, N. Dervilis, D.J. Wagg, K. Worden
- Abstract要約: ここでは人口ベーススキームを踏襲し、メタラーニング領域からの2つの異なる機械学習アルゴリズムを用いる。
このアルゴリズムは、従来の機械学習アルゴリズムよりも、関心の量を近似するのが目的のようだ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning has affected the way in which many phenomena for various
domains are modelled, one of these domains being that of structural dynamics.
However, because machine-learning algorithms are problem-specific, they often
fail to perform efficiently in cases of data scarcity. To deal with such
issues, combination of physics-based approaches and machine learning algorithms
have been developed. Although such methods are effective, they also require the
analyser's understanding of the underlying physics of the problem. The current
work is aimed at motivating the use of models which learn such relationships
from a population of phenomena, whose underlying physics are similar. The
development of such models is motivated by the way that physics-based models,
and more specifically finite element models, work. Such models are considered
transferrable, explainable and trustworthy, attributes which are not trivially
imposed or achieved for machine-learning models. For this reason,
machine-learning approaches are less trusted by industry and often considered
more difficult to form validated models. To achieve such data-driven models, a
population-based scheme is followed here and two different machine-learning
algorithms from the meta-learning domain are used. The two algorithms are the
model-agnostic meta-learning (MAML) algorithm and the conditional neural
processes (CNP) model. The algorithms seem to perform as intended and
outperform a traditional machine-learning algorithm at approximating the
quantities of interest. Moreover, they exhibit behaviour similar to traditional
machine learning algorithms (e.g. neural networks or Gaussian processes),
concerning their performance as a function of the available structures in the
training population.
- Abstract（参考訳）: 機械学習は様々な領域の多くの現象がモデル化される方法に影響を与えており、その1つが構造力学である。
しかし、機械学習アルゴリズムは問題固有のため、データ不足時に効率よく動作しないことが多い。
このような問題に対処するため、物理に基づくアプローチと機械学習アルゴリズムの組み合わせが開発された。
このような手法は有効であるが、解析者の基礎となる物理学の理解も必要である。
現在の研究は、基礎となる物理が類似する現象群からそのような関係を学ぶモデルの使用を動機付けることを目的としている。
このようなモデルの開発は、物理モデル、特に有限要素モデルがどのように機能するかによって動機づけられている。
このようなモデルは、伝達可能、説明可能、信頼できる属性と見なされ、機械学習モデルに自明に課されたり、達成されたりしない。
このため、機械学習のアプローチは、業界からの信頼が低く、検証されたモデルを形成するのがより困難であると考えられることが多い。
このようなデータ駆動モデルを実現するために、ここで人口ベーススキームに従い、メタ学習領域から2つの異なる機械学習アルゴリズムを用いる。
2つのアルゴリズムはモデルに依存しないメタラーニング(MAML)アルゴリズムと条件付きニューラルプロセス(CNP)モデルである。
このアルゴリズムは、従来の機械学習アルゴリズムよりも、関心の量を近似するのが目的のようだ。
さらに、トレーニング集団で利用可能な構造の関数としての性能に関して、従来の機械学習アルゴリズム(ニューラルネットワークやガウス過程など)と同様の振る舞いを示す。
関連論文リスト
- Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
本稿では,低次元物理モデル学習のための合理化手法を提案する。
各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。
物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
論文 参考訳（メタデータ） (2024-10-31T18:37:22Z) - Zero-knowledge Proof Meets Machine Learning in Verifiability: A Survey [19.70499936572449]
高品質なモデルは、効率的な最適化アルゴリズムだけでなく、膨大なデータと計算能力に基づいて構築されたトレーニングと学習プロセスにも依存する。
計算リソースの制限やデータプライバシの懸念など,さまざまな課題があるため,モデルを必要とするユーザは,マシンラーニングモデルをローカルにトレーニングすることはできないことが多い。
本稿では,ゼロ知識証明に基づく検証可能な機械学習(ZKP-VML)技術について包括的に調査する。
論文 参考訳（メタデータ） (2023-10-23T12:15:23Z) - A Meta-Learning Approach to Population-Based Modelling of Structures [0.0]
構造力学における機械学習アプローチの大きな問題は、構造データの頻繁な欠如である。
この研究は、人口ベースの構造的健康モニタリングの分野に着想を得て、人口内で知識を伝達できるモデルを作成しようとしている。
メタラーニングアプローチを用いて訓練されたモデルは、人口構造に関する推論に関する従来の機械学習手法より優れている。
論文 参考訳（メタデータ） (2023-02-15T23:01:59Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳（メタデータ） (2021-11-09T23:48:21Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Modeling System Dynamics with Physics-Informed Neural Networks Based on
Lagrangian Mechanics [3.214927790437842]
第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。
本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。
本研究の目的は,機械系のモデルベース制御とシステム同定である。
論文 参考訳（メタデータ） (2020-05-29T15:10:43Z)
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。