論文の概要: Micro-Macro Consistency in Multiscale Modeling: Score-Based Model
Assisted Sampling of Fast/Slow Dynamical Systems
- arxiv url: http://arxiv.org/abs/2312.05715v1
- Date: Sun, 10 Dec 2023 00:46:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 19:12:51.505503
- Title: Micro-Macro Consistency in Multiscale Modeling: Score-Based Model
Assisted Sampling of Fast/Slow Dynamical Systems
- Title（参考訳）: マルチスケールモデリングにおけるマイクロマクロ整合性:高速・低速力学系のスコアベースモデルによるサンプリング
- Authors: Ellis R. Crabtree, Juan M. Bello-Rivas, Ioannis G. Kevrekidis
- Abstract要約: 物理に基づくマルチ時間動的システムの研究において,サンプリングの高度化のための技術が開発されている。
機械学習の分野では、生成モデルの一般的な目標は、この密度から経験的なサンプルをトレーニングした後、ターゲット密度からサンプリングすることである。
本研究では,SGMをこのような結合フレームワークで利用することにより,マルチスケールな動的システムにおけるサンプリングを改善することができることを示す。
- 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: A valuable step in the modeling of multiscale dynamical systems in fields
such as computational chemistry, biology, materials science and more, is the
representative sampling of the phase space over long timescales of interest;
this task is not, however, without challenges. For example, the long term
behavior of a system with many degrees of freedom often cannot be efficiently
computationally explored by direct dynamical simulation; such systems can often
become trapped in local free energy minima. In the study of physics-based
multi-time-scale dynamical systems, techniques have been developed for
enhancing sampling in order to accelerate exploration beyond free energy
barriers. On the other hand, in the field of Machine Learning, a generic goal
of generative models is to sample from a target density, after training on
empirical samples from this density. Score based generative models (SGMs) have
demonstrated state-of-the-art capabilities in generating plausible data from
target training distributions. Conditional implementations of such generative
models have been shown to exhibit significant parallels with long-established
-- and physics based -- solutions to enhanced sampling. These physics-based
methods can then be enhanced through coupling with the ML generative models,
complementing the strengths and mitigating the weaknesses of each technique. In
this work, we show that that SGMs can be used in such a coupling framework to
improve sampling in multiscale dynamical systems.
- Abstract（参考訳）: 計算化学、生物学、材料科学などの分野におけるマルチスケール力学系のモデリングにおける重要なステップは、長期にわたる関心事における位相空間の代表的なサンプリングである。
例えば、多くの自由度を持つ系の長期的挙動は直接力学シミュレーションによって効率的に計算できないことが多く、そのようなシステムは局所的な自由エネルギーミニマの中に閉じ込められることがある。
物理学に基づくマルチ時間力学系の研究において、自由エネルギー障壁を越える探索を加速するためにサンプリングを強化する技術が開発されている。
一方、機械学習の分野では、生成モデルの一般的な目標は、この密度から経験的なサンプルをトレーニングした後、ターゲット密度からサンプルをサンプリングすることである。
スコアベース生成モデル(SGM)は、目標トレーニング分布から可塑性データを生成する最先端の能力を実証している。
このような生成モデルの条件付き実装は、強化サンプリングに対する長い確立された-および物理に基づく-ソリューションと大きな並列性を示すことが示されている。
これらの物理に基づく手法は、ML生成モデルとの結合によって強化され、強度を補完し、それぞれの技術の弱点を軽減することができる。
本研究では,SGMをこのような結合フレームワークで利用することにより,マルチスケールな動的システムのサンプリングを改善することができることを示す。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Action Matching: Learning Stochastic Dynamics from Samples [10.46643972142224]
アクションマッチング(Action Matching)は、時間進化から独立したサンプルのみを使用して、リッチなダイナミクスのファミリーを学ぶ方法である。
我々は、基礎となる力学に関する明示的な仮定を頼らずに、抽出可能な訓練目標を導出する。
最適輸送との接続にインスパイアされ、確率質量の生成と破壊を含む微分方程式や力学を学ぶためにアクションマッチングの拡張を導出する。
論文 参考訳（メタデータ） (2022-10-13T01:49:48Z) - GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。
このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
論文 参考訳（メタデータ） (2022-08-23T03:45:39Z) - 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) - 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) - 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) - Reservoir Computing with Diverse Timescales for Prediction of Multiscale
Dynamics [5.172455794487599]
異種リークインテグレータニューロンのリカレントネットワークを用いて,様々な時間スケールの貯水池計算モデルを提案する。
高速なカオス力学系を用いた予測タスクにおいて、提案モデルが既存の標準モデルよりも高いポテンシャルを持つことを示す。
本分析により, 対象力学の各成分の生成に必要な時間尺度は, モデルトレーニングにより, 貯水池力学から適切な, 柔軟に選択されることが明らかとなった。
論文 参考訳（メタデータ） (2021-08-21T06:52:21Z) - Abstraction of Markov Population Dynamics via Generative Adversarial
Nets [2.1485350418225244]
計算負荷を減らすための戦略は人口モデルを抽象化し、より単純なモデルで置き換えることである。
ここでは、このアイデアを追求し、過去の作品に基づいて、連続した空間と離散時間で軌道を生成できる生成器を構築する。
このジェネレータは、生成逆数設定で元のモデルのシミュレーションから自動的に学習される。
論文 参考訳（メタデータ） (2021-06-24T12:57:49Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。