論文の概要: Introducing Thermodynamics-Informed Symbolic Regression -- A Tool for
Thermodynamic Equations of State Development
- arxiv url: http://arxiv.org/abs/2309.02805v1
- Date: Wed, 6 Sep 2023 07:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 16:26:06.402522
- Title: Introducing Thermodynamics-Informed Symbolic Regression -- A Tool for
Thermodynamic Equations of State Development
- Title（参考訳）: 熱力学-インフォームド・シンボリック回帰の導入 -- 状態発展の熱力学方程式のツール
- Authors: Viktor Martinek and Ophelia Frotscher and Markus Richter and Roland
Herzog
- Abstract要約: 状態の熱力学方程式(EOS)は、多くの産業や学術分野において必須である。
EOS開発プロセスの改善と高速化を目的として,熱力学インフォームド・シンボリックレグレッション(TiSR)を導入する。
TiSRはすでに有能なSRツールであり、https://doi.org/10.5281/zenodo.8317547の研究で使われた。
- 参考スコア（独自算出の注目度）: 0.41104247065851574
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Thermodynamic equations of state (EOS) are essential for many industries as
well as in academia. Even leaving aside the expensive and extensive measurement
campaigns required for the data acquisition, the development of EOS is an
intensely time-consuming process, which does often still heavily rely on expert
knowledge and iterative fine-tuning. To improve upon and accelerate the EOS
development process, we introduce thermodynamics-informed symbolic regression
(TiSR), a symbolic regression (SR) tool aimed at thermodynamic EOS modeling.
TiSR is already a capable SR tool, which was used in the research of
https://doi.org/10.1007/s10765-023-03197-z. It aims to combine an SR base with
the extensions required to work with often strongly scattered experimental
data, different residual pre- and post-processing options, and additional
features required to consider thermodynamic EOS development. Although TiSR is
not ready for end users yet, this paper is intended to report on its current
state, showcase the progress, and discuss (distant and not so distant) future
directions. TiSR is available at https://github.com/scoop-group/TiSR and can be
cited as https://doi.org/10.5281/zenodo.8317547.
- Abstract（参考訳）: 状態の熱力学方程式(EOS)は、多くの産業や学術分野において必須である。
データ取得に必要な高価で広範な測定キャンペーンを別にすれば、EOSの開発は極めて時間を要するプロセスであり、専門家の知識と反復的な微調整に大きく依存することが多い。
eos開発プロセスを改良し、加速するために、熱力学eosモデリングを目的としたシンボリックレグレッション(sr)ツールであるthermodynamics-informed symbolic regression(tisr)を導入する。
TiSRはすでに有能なSRツールであり、https://doi.org/10.1007/s10765-023-03197-zの研究で使われた。
SRベースと、しばしば散在する実験データ、異なる残差前処理と後処理オプション、熱力学的EOS開発を検討するのに必要な追加機能とを組み合わせることを目的としている。
TiSRはまだエンドユーザー向けには準備が整っていないが,本論文は現状を報告し,進捗を報告し,今後の方向性を議論することを目的としている。
TiSRはhttps://github.com/scoop-group/TiSRで利用可能であり、https://doi.org/10.5281/zenodo.8317547として参照できる。
関連論文リスト
- Temperature Balancing, Layer-wise Weight Analysis, and Neural Network
Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。
我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。
また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文 参考訳（メタデータ） (2023-12-01T05:38:17Z) - Learning thermodynamically constrained equations of state with
uncertainty [6.739642016124097]
この研究は、状態方程式(EOS)モデルを構築するためのデータ駆動機械学習アプローチを示す。
物理インフォームドガウス過程回帰(GPR)に基づく新しいフレームワークを提案する。
提案モデルを適用して,密度汎関数理論データと実験衝撃ユゴニオットデータの両方を用いて,炭素のダイヤモンド固体状態のEOSを学習する。
論文 参考訳（メタデータ） (2023-06-29T15:02:16Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - End-to-End Speech Recognition: A Survey [68.35707678386949]
本調査の目的は、E2E ASRモデルの分類とそれに対応する改善を提供することである。
E2E ASRのすべての関連する側面は、パフォーマンスとデプロイメントの機会に関する議論を伴う、この作業でカバーされている。
論文 参考訳（メタデータ） (2023-03-03T01:46:41Z) - Learning to Anticipate Future with Dynamic Context Removal [47.478225043001665]
将来のイベントを予想することは、インテリジェントシステムとAIの具体化にとって不可欠な機能である。
本研究では,動的文脈除去(DCR)と呼ばれる新しい学習手法を提案する。
我々の学習方式はプラグアンドプレイであり、トランスフォーマーやLSTMを含む推論モデルを統合することは容易であり、有効性と効率性の両方に利点がある。
論文 参考訳（メタデータ） (2022-04-06T05:24:28Z) - CUSIDE: Chunking, Simulating Future Context and Decoding for Streaming
ASR [17.999404155015647]
音声認識のための新しいフレームワーク、チャンキング, 未来コンテキスト, 復号化(CUSIDE)を提案する。
将来のコンテキストを待つことなく、将来のコンテキストフレームをシミュレートするために、新しいシミュレーションモジュールが導入された。
実験により、現実のフレームを適切なコンテキストとして使用するのに対し、シミュレーションされた将来のコンテキストを使用すると、認識精度を維持しながら遅延を大幅に低減できることが示された。
論文 参考訳（メタデータ） (2022-03-31T02:28:48Z) - Physics-based Learning of Parameterized Thermodynamics from Real-time
Thermography [0.0]
実時間サーモグラフィデータから熱過程のダイナミクスを学習するための物理に基づく新しいアプローチを提案する。
提案手法は雑音に対して頑健であり,パラメータ推定の精度向上に有効であることを示す。
論文 参考訳（メタデータ） (2022-03-24T16:06:31Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - SynthASR: Unlocking Synthetic Data for Speech Recognition [15.292920497489925]
そこで本研究では,ASRモデルトレーニングのためのデータが少ない,あるいは取得が困難なアプリケーションにおいて,合成音声をASRトレーニング(SynthASR)に活用することを提案する。
薬物名認識のための新しい応用のための社内データセットを用いて実験を行ったところ、合成音声を用いたASR RNN-Tモデルのトレーニングにより、新しいアプリケーションの認識性能が65%以上向上した。
論文 参考訳（メタデータ） (2021-06-14T23:26:44Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。