論文の概要: Mitigating distribution shift in machine learning-augmented hybrid
simulation
- arxiv url: http://arxiv.org/abs/2401.09259v1
- Date: Wed, 17 Jan 2024 15:05:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 15:38:22.982999
- Title: Mitigating distribution shift in machine learning-augmented hybrid
simulation
- Title(参考訳): 機械学習強化ハイブリッドシミュレーションにおける分布変化の緩和
- Authors: Jiaxi Zhao and Qianxiao Li
- Abstract要約: 本稿では,機械学習によるハイブリッドシミュレーションにおいて一般的に発生する分布シフトの問題について検討する。
本稿では,分布シフトを制御するために,接空間正規化推定器に基づく簡単な手法を提案する。
いずれの場合も,提案手法によるシミュレーション精度の向上が顕著である。
- 参考スコア(独自算出の注目度): 15.37429773698171
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of distribution shift generally arising in
machine-learning augmented hybrid simulation, where parts of simulation
algorithms are replaced by data-driven surrogates. We first establish a
mathematical framework to understand the structure of machine-learning
augmented hybrid simulation problems, and the cause and effect of the
associated distribution shift. We show correlations between distribution shift
and simulation error both numerically and theoretically. Then, we propose a
simple methodology based on tangent-space regularized estimator to control the
distribution shift, thereby improving the long-term accuracy of the simulation
results. In the linear dynamics case, we provide a thorough theoretical
analysis to quantify the effectiveness of the proposed method. Moreover, we
conduct several numerical experiments, including simulating a partially known
reaction-diffusion equation and solving Navier-Stokes equations using the
projection method with a data-driven pressure solver. In all cases, we observe
marked improvements in simulation accuracy under the proposed method,
especially for systems with high degrees of distribution shift, such as those
with relatively strong non-linear reaction mechanisms, or flows at large
Reynolds numbers.
- Abstract(参考訳): シミュレーションアルゴリズムの一部がデータ駆動サロゲートに置き換えられる機械学習拡張ハイブリッドシミュレーションにおいて,一般に発生する分布シフトの問題について検討する。
まず,機械学習によるハイブリッドシミュレーション問題の構造と,それに伴う分布変化の原因と影響を理解するための数学的枠組みを構築した。
分布シフトとシミュレーション誤差の相関関係を数値的および理論的に示す。
そこで本研究では,分布シフトを制御するための接空間正規化推定器に基づく簡易な手法を提案し,シミュレーション結果の長期精度を向上させる。
線形力学の場合、提案手法の有効性を定量化するための徹底的な理論的解析を提供する。
さらに, 部分的に知られている反応拡散方程式をシミュレートし, データ駆動型圧力解法を用いてナビエ・ストークス方程式を解くなど, 数値実験を行った。
いずれの場合も, 提案手法によるシミュレーション精度の向上は顕著であり, 特に, 比較的強い非線形反応機構を持つシステムや, 大規模なレイノルズ数でのフローなど, 分布シフトの度合いが高いシステムでは顕著である。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-08T23:44:54Z) - Application of machine learning technique for a fast forecast of
aggregation kinetics in space-inhomogeneous systems [0.0]
機械学習(ML)技術を用いて直接計算の量を削減する方法について述べる。
本研究では,集合体の空間分布とその大きさ分布に対するML予測が計算時間を大幅に短縮し,直接数値シミュレーションの結果とよく一致することを示す。
論文 参考訳(メタデータ) (2023-12-07T19:50:40Z) - Dynamic Bayesian Learning and Calibration of Spatiotemporal Mechanistic
System [0.0]
ノイズ観測に基づくメカニカルモデルの完全学習と校正のためのアプローチを開発する。
通常の偏微分方程式と偏微分方程式の分析から生じる問題を解くことで、この柔軟性を実証する。
論文 参考訳(メタデータ) (2022-08-12T23:17:46Z) - Generalised Latent Assimilation in Heterogeneous Reduced Spaces with
Machine Learning Surrogate Models [10.410970649045943]
我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。
一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
論文 参考訳(メタデータ) (2022-04-07T15:13:12Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳(メタデータ) (2021-09-07T20:01:22Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Phase-Space Methods for Simulating the Dissipative Many-Body Dynamics of
Collective Spin Systems [0.0]
本稿では, 脱落と崩壊の存在下で, 集合スピン系の動的および定常状態のシミュレーションを行うための効率的な数値計算法について述べる。
我々は、この数値手法を既知の超ラジカル崩壊とスピンスクイーズ過程のベンチマークを行い、散逸性スピン格子モデルにおける非平衡相転移のシミュレーションへの応用について説明する。
論文 参考訳(メタデータ) (2020-11-19T19:00:00Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z)
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。