論文の概要: Time-vectorized numerical integration for systems of ODEs
- arxiv url: http://arxiv.org/abs/2310.08649v1
- Date: Thu, 12 Oct 2023 18:21:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 16:15:56.264031
- Title: Time-vectorized numerical integration for systems of ODEs
- Title（参考訳）: ODE系の時間ベクトル数値積分
- Authors: Mark C. Messner and Tianchen Hu and Tianju Chen
- Abstract要約: 通常の微分方程式(ODE)とスパーストレーニングデータの厳密な系は科学的な問題でよく見られる。
本稿では、時間を通して通常の微分方程式の固い系を統合するための効率的で暗黙的なベクトル化手法について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stiff systems of ordinary differential equations (ODEs) and sparse training
data are common in scientific problems. This paper describes efficient,
implicit, vectorized methods for integrating stiff systems of ordinary
differential equations through time and calculating parameter gradients with
the adjoint method. The main innovation is to vectorize the problem both over
the number of independent times series and over a batch or "chunk" of
sequential time steps, effectively vectorizing the assembly of the implicit
system of ODEs. The block-bidiagonal structure of the linearized implicit
system for the backward Euler method allows for further vectorization using
parallel cyclic reduction (PCR). Vectorizing over both axes of the input data
provides a higher bandwidth of calculations to the computing device, allowing
even problems with comparatively sparse data to fully utilize modern GPUs and
achieving speed ups of greater than 100x, compared to standard, sequential time
integration. We demonstrate the advantages of implicit, vectorized time
integration with several example problems, drawn from both analytical stiff and
non-stiff ODE models as well as neural ODE models. We also describe and provide
a freely available open-source implementation of the methods developed here.
- Abstract（参考訳）: 通常の微分方程式(ODE)とスパーストレーニングデータの厳密なシステムは科学的な問題でよく見られる。
本稿では, 常微分方程式の剛性系を時間的に積分し, 随伴法によるパラメータ勾配を計算するための, 効率的で暗黙的なベクトル化手法について述べる。
主要な革新は、独立時間系列の数と、逐次時間ステップのバッチまたは"チャンク"のどちらでも問題をベクトル化し、暗黙のODEシステムの集合を効果的にベクトル化することである。
後方ユーラー法に対する線形化暗黙体系のブロック-双対角構造は、並列環状還元(PCR)を用いたさらなるベクトル化を可能にする。
入力データの両軸のベクトル化により、コンピュータ装置の計算帯域幅が広くなり、比較的スパースなデータでさえも最新のGPUを完全に活用でき、標準のシーケンシャルな時間統合に比べて100倍以上のスピードアップを達成することができる。
解析的剛性モデルと非剛性ODEモデルとニューラルODEモデルの両方から引き出されたいくつかの例問題に対する暗黙的ベクトル化時間積分の利点を実証する。
また、ここで開発されたメソッドのオープンソース実装を自由に記述し、提供します。
関連論文リスト
- On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Parallel-in-Time Probabilistic Numerical ODE Solvers [35.716255949521305]
常微分方程式(ODE)の確率論的数値解法は、力学系の数値シミュレーションをベイズ状態推定の問題として扱う。
我々は,反復拡張カルマンスムーダの時間並列定式化に基づいて,並列時間確率数値ODEソルバを定式化する。
論文 参考訳（メタデータ） (2023-10-02T12:32:21Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳（メタデータ） (2022-11-05T07:07:58Z) - Constraining Gaussian Processes to Systems of Linear Ordinary
Differential Equations [5.33024001730262]
LODE-GP は定数係数を持つ線形同次ODEの系に従う。
複数の実験においてLODE-GPの有効性を示す。
論文 参考訳（メタデータ） (2022-08-26T09:16:53Z) - High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。
本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。
いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文 参考訳（メタデータ） (2022-02-25T16:35:26Z) - A Probabilistic State Space Model for Joint Inference from Differential
Equations and Data [23.449725313605835]
ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。
その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。
本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
論文 参考訳（メタデータ） (2021-03-18T10:36:09Z) - Multi-objective discovery of PDE systems using evolutionary approach [77.34726150561087]
本稿では,多目的共進化アルゴリズムについて述べる。
システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。
単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
論文 参考訳（メタデータ） (2021-03-11T15:37:52Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Non-intrusive surrogate modeling for parametrized time-dependent PDEs
using convolutional autoencoders [0.0]
パラメータ化時間依存PDEによる複雑系の予測モデリングのための機械学習に基づく非侵襲的代理モデリング手法を提案する。
我々は、畳み込みオートエンコーダをフィードフォワードニューラルネットワークと組み合わせて、問題のパラメトリック空間から解空間への低コストで正確なマッピングを確立する。
論文 参考訳（メタデータ） (2021-01-14T11:34:58Z) - Hierarchical Deep Learning of Multiscale Differential Equation
Time-Steppers [5.6385744392820465]
本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。
結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。
我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
論文 参考訳（メタデータ） (2020-08-22T07:16:53Z) - Accelerating Feedforward Computation via Parallel Nonlinear Equation
Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。
本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。
提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文 参考訳（メタデータ） (2020-02-10T10:11:31Z)
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。