Fugu-MT 論文翻訳(概要): Optimising Highly-Parallel Simulation-Based Verification of Cyber-Physical Systems

論文の概要: Optimising Highly-Parallel Simulation-Based Verification of Cyber-Physical Systems

arxiv url: http://arxiv.org/abs/2307.15383v1
Date: Fri, 28 Jul 2023 08:08:27 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 16:01:11.093633
Title: Optimising Highly-Parallel Simulation-Based Verification of Cyber-Physical Systems
Title（参考訳）: 高並列シミュレーションに基づくサイバー物理システムの最適検証
Authors: Toni Mancini, Igor Melatti, Enrico Tronci
Abstract要約: サイバー物理システム(CPS)は多くの産業関連領域で発生し、しばしばミッションクリティカルまたは安全クリティカルである。 CPSのシステムレベル検証(SLV)は、与えられた(例えば、安全か生きか)仕様が満たされているか、あるいはある価値を推定することを保証することを目的としている。
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: Cyber-Physical Systems (CPSs), comprising both software and physical components, arise in many industry-relevant domains and are often mission- or safety-critical. System-Level Verification (SLV) of CPSs aims at certifying that given (e.g., safety or liveness) specifications are met, or at estimating the value of some KPIs, when the system runs in its operational environment, i.e., in presence of inputs (from users or other systems) and/or of additional, uncontrolled disturbances. To enable SLV of complex systems from the early design phases, the currently most adopted approach envisions the simulation of a system model under the (time bounded) operational scenarios of interest. Simulation-based SLV can be computationally prohibitive (years of sequential simulation), since model simulation is computationally intensive and the set of scenarios of interest can huge. We present a technique that, given a collection of scenarios of interest (extracted from mass-storage databases or from symbolic structures, e.g., constraint-based scenario generators), computes parallel shortest simulation campaigns, which drive a possibly large number of system model simulators running in parallel in a HPC infrastructure through all (and only) those scenarios in the user-defined (possibly random) order, by wisely avoiding multiple simulations of repeated trajectories, thus minimising the overall completion time, compatibly with the available simulator memory capacity. Our experiments on Modelica/FMU and Simulink case study models with up to ~200 million scenarios show that our optimisation yields speedups as high as 8x. This, together with the enabled massive parallelisation, makes practically viable (a few weeks in a HPC infrastructure) verification tasks (both statistical and exhaustive, with respect to the given set of scenarios) which would otherwise take inconceivably long time.
Abstract（参考訳）: ソフトウェアと物理コンポーネントの両方からなるサイバーフィジカルシステム(cpss)は、多くの業界関連ドメインで発生し、しばしばミッションクリティカルまたは安全クリティカルである。 CPSのシステムレベル検証(SLV)は、与えられた(例えば、安全または生きた)仕様が満たされていること、または、システムが運用環境、すなわち、入力(ユーザーまたは他のシステムからの)および/または追加の制御不能な障害が存在する場合のKPIの価値を推定することを目的としている。初期の設計段階から複雑なシステムのSLVを可能にするため、現在最も採用されているアプローチは、(時間境界のある)運用シナリオ下でのシステムモデルのシミュレーションを想定している。シミュレーションに基づくSLVは、モデルシミュレーションが計算集約的であり、興味のあるシナリオの集合が巨大になるため、計算が禁じられる(逐次シミュレーションの年)。 We present a technique that, given a collection of scenarios of interest (extracted from mass-storage databases or from symbolic structures, e.g., constraint-based scenario generators), computes parallel shortest simulation campaigns, which drive a possibly large number of system model simulators running in parallel in a HPC infrastructure through all (and only) those scenarios in the user-defined (possibly random) order, by wisely avoiding multiple simulations of repeated trajectories, thus minimising the overall completion time, compatibly with the available simulator memory capacity. modelica/fmuとsimulinkのケーススタディモデルでは,最大2億のシナリオで最適化が最大8倍のスピードアップを実現している。これにより、実現可能な大規模な並列化とともに、(hpcインフラストラクチャで数週間の)検証タスク(与えられたシナリオセットに関して、統計的かつ徹底的な)が事実上実行可能になり、そうでなければ長い時間を要する。

関連論文リスト

Compositional simulation-based inference for time series [21.9975782468709]
シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
論文参考訳（メタデータ） (2024-11-05T01:55:07Z)
GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
論文参考訳（メタデータ） (2024-10-06T05:02:23Z)
NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文参考訳（メタデータ） (2024-06-21T17:59:02Z)
Informal Safety Guarantees for Simulated Optimizers Through Extrapolation from Partial Simulations [0.0]
自己教師付き学習は、最先端の言語モデリングのバックボーンである。自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
論文参考訳（メタデータ） (2023-11-29T09:32:56Z)
In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文参考訳（メタデータ） (2023-06-22T14:07:54Z)
Finding Needles in Haystack: Formal Generative Models for Efficient Massive Parallel Simulations [0.0]
著者らはベイズ最適化に基づく手法を提案し、望ましい結果をもたらすシナリオで生成モデルを効率的に学習する。この方法論は、シナリオを記述するためにOpenSCENARIO標準を使用するエンドツーエンドフレームワークに統合されている。
論文参考訳（メタデータ） (2023-01-03T16:55:06Z)
Near-optimal Policy Identification in Active Reinforcement Learning [84.27592560211909]
AE-LSVI はカーネル化された最小二乗値 RL (LSVI) アルゴリズムの新しい変種であり、楽観主義と悲観主義を組み合わせて活発な探索を行う。 AE-LSVIは初期状態に対するロバスト性が必要な場合、様々な環境で他のアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-19T14:46:57Z)
Bayesian Emulation for Computer Models with Multiple Partial Discontinuities [0.0]
エミュレータは、コンピュータモデルを評価するのが遅いことを模倣する高速な統計構造である。本稿では,不連続性を尊重する慎重に設計された相関構造に基づくTENSEフレームワークを紹介する。我々は, TENSE フレームワークを TNO Challenge II に適用し, OLYMPUS 貯水池モデルをエミュレートした。
論文参考訳（メタデータ） (2022-10-19T11:14:57Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文参考訳（メタデータ） (2021-03-12T17:00:23Z)
Recurrent convolutional neural network for the surrogate modeling of subsurface flow simulation [0.0]
本稿では,数値フローシミュレーションの代理モデルとして,SegNetとConvLSTM層を組み合わせることを提案する。その結果,シミュレーションの出力が時系列データである場合,SegNetに基づくサロゲートモデルの性能が著しく向上することが示唆された。
論文参考訳（メタデータ） (2020-10-08T09:34:48Z)

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。