論文の概要: Diffusion-Generative Multi-Fidelity Learning for Physical Simulation

• arxiv url: http://arxiv.org/abs/2311.05606v1
• Date: Thu, 9 Nov 2023 18:59:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 14:01:48.750129
• Title: Diffusion-Generative Multi-Fidelity Learning for Physical Simulation
• Title（参考訳）: 拡散生成多元性学習による物理シミュレーション
• Authors: Zheng Wang, Shibo Li, Shikai Fang, Shandian Zhe
• Abstract要約: 本研究では,微分方程式(SDE)に基づく拡散生成多忠実学習法を開発した。 付加的な入力(時間変数や空間変数)を条件にすることで、我々のモデルは効率的に多次元の解列を学習し、予測することができる。
• 参考スコア（独自算出の注目度）: 24.723536390322582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-fidelity surrogate learning is important for physical simulation related applications in that it avoids running numerical solvers from scratch, which is known to be costly, and it uses multi-fidelity examples for training and greatly reduces the cost of data collection. Despite the variety of existing methods, they all build a model to map the input parameters outright to the solution output. Inspired by the recent breakthrough in generative models, we take an alternative view and consider the solution output as generated from random noises. We develop a diffusion-generative multi-fidelity (DGMF) learning method based on stochastic differential equations (SDE), where the generation is a continuous denoising process. We propose a conditional score model to control the solution generation by the input parameters and the fidelity. By conditioning on additional inputs (temporal or spacial variables), our model can efficiently learn and predict multi-dimensional solution arrays. Our method naturally unifies discrete and continuous fidelity modeling. The advantage of our method in several typical applications shows a promising new direction for multi-fidelity learning.
• Abstract（参考訳）: 物理シミュレーション関連アプリケーションでは,コストがかかることが知られている数値ソルバのスクラッチ実行を回避し,トレーニングに多要素実例を用い,データ収集のコストを大幅に削減する,多要素代理学習が重要である。 既存のメソッドの多様性にもかかわらず、彼らはすべて、入力パラメータをソリューション出力に直接マッピングするモデルを構築します。 最近の生成モデルにおけるブレークスルーに触発されて、我々は別の視点を取り、ランダムノイズから生成された解のアウトプットを考察する。 確率微分方程式(SDE)に基づく拡散生成多相学習法(DGMF)を開発した。 入力パラメータと忠実度によって解の生成を制御する条件付きスコアモデルを提案する。 追加入力(時間変数や空間変数)を条件付けすることで,多次元解配列を効率的に学習し,予測することができる。 本手法は, 離散的および連続的忠実性モデリングを自然に統一する。 いくつかの典型的な応用における本手法の利点は、多要素学習に期待できる新しい方向性を示す。

関連論文リスト

• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Adv-KD: Adversarial Knowledge Distillation for Faster Diffusion Sampling [2.91204440475204]
  拡散確率モデル(DPM)は、深層生成モデルの強力なクラスとして登場した。 それらは、サンプル生成中にシーケンシャルなデノイングステップに依存している。 モデルアーキテクチャに直接位相を分解する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-31T08:19:44Z)
• Multi-fidelity Gaussian process surrogate modeling for regression problems in physics [0.0]
  多重忠実度法は、忠実度を増大させる階層内のモデルに連鎖させることによって解を提供する。 提案手法は, 一般に, 単一忠実度法と比較して, 同じ計算コストで予測誤差が小さくなることを示す。
  論文  参考訳（メタデータ） (2024-04-18T07:52:12Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Disentangled Multi-Fidelity Deep Bayesian Active Learning [19.031567953748453]
  マルチ忠実能動学習は、入力パラメータからシミュレーション出力への直接マッピングを最も高い忠実度で学習することを目的としている。 深層学習に基づく手法は、しばしば隠れ表現に階層構造を課し、低忠実度から高忠実度への情報伝達のみをサポートする。 本稿では,D-MFDAL(Disentangled Multi-fidelity Deep Bayesian Active Learning)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:14:58Z)
• Infinite-Fidelity Coregionalization for Physical Simulation [22.524773932668023]
  多要素モデリングと学習は、物理シミュレーション関連の応用において重要である。 Infinite Fidelity Co Regionalalization (IFC) を提案する。 計算物理学におけるいくつかのベンチマークタスクにおいて,本手法の利点を示す。
  論文  参考訳（メタデータ） (2022-07-01T23:01:10Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
  マルチモーダル空間における条件生成のための新しい枠組みを提案する。 潜在変数を使って一般化可能な学習パターンをモデル化する。 推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
  論文  参考訳（メタデータ） (2020-10-07T03:11:34Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• Enhancement of shock-capturing methods via machine learning [0.0]
  我々は不連続解を用いてPDEをシミュレートするための改良された有限体積法を開発した。 5階WENO法の結果を改善するためにニューラルネットワークを訓練する。 数値解が過度に拡散するシミュレーションにおいて,本手法はWENOよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-06T21:51:39Z)

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。