論文の概要: CoDBench: A Critical Evaluation of Data-driven Models for Continuous
Dynamical Systems
- arxiv url: http://arxiv.org/abs/2310.01650v1
- Date: Mon, 2 Oct 2023 21:27:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 18:36:12.779635
- Title: CoDBench: A Critical Evaluation of Data-driven Models for Continuous
Dynamical Systems
- Title（参考訳）: CoDBench: 継続的動的システムのためのデータ駆動モデルの批判的評価
- Authors: Priyanshu Burark, Karn Tiwari, Meer Mehran Rashid, Prathosh A P, N M
Anoop Krishnan
- Abstract要約: 微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。
具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。
我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
- 参考スコア（独自算出の注目度）: 8.410938527671341
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous dynamical systems, characterized by differential equations, are
ubiquitously used to model several important problems: plasma dynamics, flow
through porous media, weather forecasting, and epidemic dynamics. Recently, a
wide range of data-driven models has been used successfully to model these
systems. However, in contrast to established fields like computer vision,
limited studies are available analyzing the strengths and potential
applications of different classes of these models that could steer
decision-making in scientific machine learning. Here, we introduce CodBench, an
exhaustive benchmarking suite comprising 11 state-of-the-art data-driven models
for solving differential equations. Specifically, we comprehensively evaluate 4
distinct categories of models, viz., feed forward neural networks, deep
operator regression models, frequency-based neural operators, and transformer
architectures against 8 widely applicable benchmark datasets encompassing
challenges from fluid and solid mechanics. We conduct extensive experiments,
assessing the operators' capabilities in learning, zero-shot super-resolution,
data efficiency, robustness to noise, and computational efficiency.
Interestingly, our findings highlight that current operators struggle with the
newer mechanics datasets, motivating the need for more robust neural operators.
All the datasets and codes will be shared in an easy-to-use fashion for the
scientific community. We hope this resource will be an impetus for accelerated
progress and exploration in modeling dynamical systems.
- Abstract（参考訳）: 連続力学系は微分方程式によって特徴づけられ、プラズマ力学、多孔質媒質中の流れ、気象予報、流行のダイナミクスといったいくつかの重要な問題をモデル化するためにユビキタスに使われている。
近年、様々なデータ駆動モデルが、これらのシステムのモデル化に成功している。
しかし、コンピュータビジョンのような確立された分野とは対照的に、科学的な機械学習において決定を下す可能性のあるモデルの様々なクラスの強みと潜在的な応用を分析する研究は限られている。
本稿では、微分方程式を解くための11の最先端データ駆動モデルからなる徹底的なベンチマークスイートであるCodBenchを紹介する。
具体的には,流体力学と固体力学の課題を包含する8つの広く適用可能なベンチマークデータセットに対して,モデルviz.,フィードフォワードニューラルネットワーク,ディープオペレータ回帰モデル,周波数ベースニューラルネットワーク,トランスフォーマーアーキテクチャの4つの異なるカテゴリを包括的に評価した。
学習におけるオペレータの能力,ゼロショット超解像,データ効率,雑音に対するロバスト性,計算効率を評価する。
興味深いことに、現在のオペレータが新しいメカニクスデータセットに苦労していることが、より堅牢な神経オペレータの必要性を動機付けている。
データセットとコードはすべて、科学コミュニティにとって使いやすい方法で共有されます。
このリソースが、動的システムのモデリングにおける進捗の加速と探索の原動力となることを願っています。
関連論文リスト
- Semi-Supervised Learning of Dynamical Systems with Neural Ordinary
Differential Equations: A Teacher-Student Model Approach [10.20098335268973]
TS-NODEは、NODEで動的システムのモデリングを行うための、最初の半教師付きアプローチである。
複数の動的システムモデリングタスクにおいて,ベースラインのNeural ODEモデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-19T19:17:12Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - Operator inference with roll outs for learning reduced models from
scarce and low-quality data [0.0]
本稿では、演算子推論によるデータ駆動モデリングと、ニューラル常微分方程式のロールアウトによる動的トレーニングを組み合わせることを提案する。
実験では,データのサンプル化やノイズの最大10%の汚染があっても,ロールアウトによる演算子推論が学習軌跡からの予測モデルを提供することを示した。
論文 参考訳（メタデータ） (2022-12-02T19:41:31Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - 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) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - 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)
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。