論文の概要: Scaling machine learning-based chemical plant simulation: A method for fine-tuning a model to induce stable fixed points

• arxiv url: http://arxiv.org/abs/2307.13621v1
• Date: Tue, 25 Jul 2023 16:23:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 16:05:07.444846
• Title: Scaling machine learning-based chemical plant simulation: A method for fine-tuning a model to induce stable fixed points
• Title（参考訳）: 機械学習に基づく化学プラントシミュレーションのスケーリング : 安定不動点を誘導するモデルの微調整法
• Authors: Malte Esders, Gimmy Alex Fernandez Ramirez, Michael Gastegger, Satya Swarup Samal
• Abstract要約: 我々は、構造化されたアプローチを用いて、機械学習モデルを直接植物センサーデータに適合させる。 より小さな植物の場合、このアプローチはうまく機能するが、大きな植物の場合、フローシートの大規模でネストしたサイクルから生じる複雑なダイナミクスは、サイクルソルバの不安定性を引き起こす。 本稿では,通常の手法による解法が再び堅牢になるようなMLモデルを微調整する方法を提案する。
• 参考スコア（独自算出の注目度）: 2.9678900936398915
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Idealized first-principles models of chemical plants can be inaccurate. An alternative is to fit a Machine Learning (ML) model directly to plant sensor data. We use a structured approach: Each unit within the plant gets represented by one ML model. After fitting the models to the data, the models are connected into a flowsheet-like directed graph. We find that for smaller plants, this approach works well, but for larger plants, the complex dynamics arising from large and nested cycles in the flowsheet lead to instabilities in the cycle solver. We analyze this problem in depth and show that it is not merely a specialized concern but rather a more pervasive challenge that will likely occur whenever ML is applied to larger plants. To address this problem, we present a way to fine-tune ML models such that solving cycles with the usual methods becomes robust again.
• Abstract（参考訳）: 化学プラントの理想化された第一原理モデルは不正確である。 もうひとつの方法は、機械学習(ML)モデルを直接植物センサーデータに適合させることだ。 プラント内の各ユニットは、1つのMLモデルで表現されます。 データにモデルを合わせると、モデルがフローシートのような有向グラフに接続される。 小さい植物の場合、このアプローチはうまく機能するが、より大きな植物の場合、フローシート内の大きなサイクルとネストしたサイクルから生じる複雑なダイナミクスは、サイクルソルバーの不安定性につながる。 我々はこの問題を深く分析し、MLが大規模植物に適用されるたびに起こりうる、より広範囲にわたる課題であることを示す。 この問題に対処するために,通常の手法で解くサイクルが再び頑健になるように,mlモデルを微調整する方法を提案する。

関連論文リスト

• Beyond Closure Models: Learning Chaotic-Systems via Physics-Informed Neural Operators [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• Learning non-stationary and discontinuous functions using clustering, classification and Gaussian process modelling [0.0]
  非滑らかな関数の近似に対する3段階のアプローチを提案する。 この考え方は、システムの局所的な振る舞いや体制に従って空間を分割し、局所的なサロゲートを構築することである。 本手法は, 引張膜構造の2つの解析関数と有限要素モデルを用いて検証し, 検証した。
  論文  参考訳（メタデータ） (2022-11-30T11:11:56Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Git Re-Basin: Merging Models modulo Permutation Symmetries [3.5450828190071655]
  提案手法は,大規模ネットワークに適合する簡単なアルゴリズムを実例で示す。 我々は、独立に訓練されたモデル間のゼロモード接続の最初のデモ(私たちの知る限り)を実演する。 また、線形モード接続仮説の欠点についても論じる。
  論文  参考訳（メタデータ） (2022-09-11T10:44:27Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• Using machine learning to correct model error in data assimilation and forecast applications [0.0]
  本稿では,既存の知識ベースモデルの誤りを訂正するために,この手法を提案する。 結果として得られるサロゲートモデルは、元の(知識ベース)モデルとMLモデルとのハイブリッドモデルである。 DAのハイブリッドサロゲートモデルを用いることで、元のモデルよりもはるかに優れた分析が得られる。
  論文  参考訳（メタデータ） (2020-10-23T18:30:45Z)
• Combining data assimilation and machine learning to infer unresolved scale parametrisation [0.0]
  近年、動的数値モデルにおいて、未解決プロセスのデータ駆動パラメトリクスを考案する機械学習が提案されている。 我々のゴールは、高分解能シミュレーションの使用を超えて、直接データを用いてMLベースのパラメーターを訓練することである。 いずれの場合も、ハイブリッドモデルは、切り落とされたモデルよりも優れたスキルで予測を得られることを示す。
  論文  参考訳（メタデータ） (2020-09-09T14:12:11Z)

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。