論文の概要: Stochastic Latent Transformer: Efficient Modelling of Stochastically
Forced Zonal Jets
- arxiv url: http://arxiv.org/abs/2310.16741v1
- Date: Wed, 25 Oct 2023 16:17:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 13:39:42.245498
- Title: Stochastic Latent Transformer: Efficient Modelling of Stochastically
Forced Zonal Jets
- Title（参考訳）: 確率潜在変圧器:確率強制型ゾナルジェットの効率的なモデリング
- Authors: Ira J. S. Shokar, Rich R. Kerswell, Peter H. Haynes
- Abstract要約: 偏微分方程式(SPDE)の効率的なモデリングのための深い確率論的学習手法である「確率潜在変換器」を導入する。
ニューラルネットワークは,数値積分に比べて5次速度向上を実現し,その効果をよく研究した水平噴流システムに適用した。
これにより、大規模アンサンブルのコスト効率が向上し、自発的な遷移事象の確率に関する統計的疑問を探索することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce the 'Stochastic Latent Transformer', a probabilistic deep
learning approach for efficient reduced-order modelling of stochastic partial
differential equations (SPDEs). Despite recent advances in deep learning for
fluid mechanics, limited research has explored modelling stochastically driven
flows - which play a crucial role in understanding a broad spectrum of
phenomena, from jets on giant planets to ocean circulation and the variability
of midlatitude weather. The model architecture consists of a
stochastically-forced transformer, paired with a translation-equivariant
autoencoder, that we demonstrate is capable of reproducing system dynamics
across various integration periods. We demonstrate its effectiveness applied to
a well-researched zonal jet system, with the neural network achieving a
five-order-of-magnitude speedup compared to numerical integration. This
facilitates the cost-effective generation of large ensembles, enabling the
exploration of statistical questions concerning probabilities of spontaneous
transition events.
- Abstract（参考訳）: 確率的偏微分方程式(spdes)の効率的な還元次モデリングのための確率的ディープラーニング手法である「確率的潜在トランスフォーマー」を提案する。
流体力学の深層学習の進歩にもかかわらず、限られた研究で確率論的に駆動される流れのモデル化が研究され、これは巨大惑星のジェットから海洋循環、中緯度の気象変動まで幅広い現象を理解する上で重要な役割を担っている。
モデルアーキテクチャは,変換等価オートエンコーダと組み合わせた確率的強制変換器から成り,様々な統合期間にわたってシステムのダイナミクスを再現できることを実証する。
ニューラルネットワークは,数値積分に比べて5次速度向上を実現し,その効果をよく研究した水平噴流システムに適用した。
これにより、大規模アンサンブルのコスト効率が向上し、自発的な遷移事象の確率に関する統計的疑問を探索することができる。
関連論文リスト
- Capturing Extreme Events in Turbulence using an Extreme Variational Autoencoder (xVAE) [2.393499494583]
Extreme variational Autoencoder (xVAE) は、重み付き分布を持つ最大無制限のプロセスを標準のVAEフレームワークに組み込む。
xVAEは、データの非線形潜在表現を学習することで、システム次元を減少させる。
論文 参考訳（メタデータ） (2025-02-07T06:17:31Z) - Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。
IFactFormer-mモデルは乱流流の長期予測に成功している。
論文 参考訳（メタデータ） (2024-12-25T09:05:14Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - 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) - Variational Schrödinger Diffusion Models [14.480273869571468]
Schr"odinger Bridge (SB) は拡散モデルにおける輸送計画の最適化手法として登場した。
我々は変分推論を利用してSBの前方スコア関数(変分スコア)を線形化する。
本稿では,多変量拡散過程と変分スコアを適応的に最適化して効率的な輸送を行う,変分Schr"odinger拡散モデル(VSDM)を提案する。
論文 参考訳（メタデータ） (2024-05-08T04:01:40Z) - Bayesian Conditional Diffusion Models for Versatile Spatiotemporal
Turbulence Generation [13.278744447861289]
本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。
提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。
数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
論文 参考訳（メタデータ） (2023-11-14T04:08:14Z) - Learning noise-induced transitions by multi-scaling reservoir computing [2.9170682727903863]
我々は、雑音による遷移を学習するために、リカレントニューラルネットワークの一種として貯水池コンピューティングという機械学習モデルを開発する。
トレーニングされたモデルは、遷移時間と遷移回数の正確な統計を生成する。
また、二重井戸ポテンシャルの非対称性、非詳細バランスによる回転力学、多安定系の遷移も認識している。
論文 参考訳（メタデータ） (2023-09-11T12:26:36Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z)
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。