論文の概要: Closure Discovery for Coarse-Grained Partial Differential Equations
using Multi-Agent Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2402.00972v1
- Date: Thu, 1 Feb 2024 19:41:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 17:51:14.376378
- Title: Closure Discovery for Coarse-Grained Partial Differential Equations
using Multi-Agent Reinforcement Learning
- Title(参考訳): 多元強化学習を用いた粗粒部分微分方程式のクロージャ発見
- Authors: Jan-Philipp von Bassewitz, Sebastian Kaltenbach, Petros Koumoutsakos
- Abstract要約: 気象・山火事・疫病は、しばしば部分微分方程式(PDE)に基づく。
MARL(Multi-Agent Reinforcement Learning)を用いた未解決PDEにおけるクロージャの同定のための新しい体系的アプローチを提案する。
MARLは帰納バイアスを導入し、畳み込みニューラルネットワーク(CNN)で表される中央ポリシーを効果的に展開することで局所性を活用する
- 参考スコア(独自算出の注目度): 3.3280369321291756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable predictions of critical phenomena, such as weather, wildfires and
epidemics are often founded on models described by Partial Differential
Equations (PDEs). However, simulations that capture the full range of
spatio-temporal scales in such PDEs are often prohibitively expensive.
Consequently, coarse-grained simulations that employ heuristics and empirical
closure terms are frequently utilized as an alternative. We propose a novel and
systematic approach for identifying closures in under-resolved PDEs using
Multi-Agent Reinforcement Learning (MARL). The MARL formulation incorporates
inductive bias and exploits locality by deploying a central policy represented
efficiently by Convolutional Neural Networks (CNN). We demonstrate the
capabilities and limitations of MARL through numerical solutions of the
advection equation and the Burgers' equation. Our results show accurate
predictions for in- and out-of-distribution test cases as well as a significant
speedup compared to resolving all scales.
- Abstract(参考訳): 天気、山火事、疫病などの臨界現象の信頼できる予測は、偏微分方程式(pdes)によって記述されたモデルに基づいてしばしば確立される。
しかしながら、このようなPDEにおける時空間スケールの全範囲を捉えるシミュレーションは、しばしば違法に高価である。
したがって、ヒューリスティックスと経験的クロージャ項を用いた粗粒度シミュレーションは、しばしば代替として利用される。
本稿では,MARL(Multi-Agent Reinforcement Learning)を用いた未解決PDEにおけるクロージャの同定手法を提案する。
MARLの定式化は帰納バイアスを取り入れ、畳み込みニューラルネットワーク(CNN)で表される中央ポリシーを効果的に展開することで局所性を活用する。
我々は, 対流方程式とバーガース方程式の数値解を用いて, MARLの機能と限界を示す。
以上の結果から, 分配試験および流通試験の精度は, 全スケールの解決と比較して有意に向上した。
関連論文リスト
- Evaluating Uncertainty Quantification approaches for Neural PDEs in
scientific applications [0.0]
この研究は、科学応用におけるフォワード問題と逆問題の両方に対する様々な不確実量化(UQ)アプローチを評価する。
具体的には,ハミルトン・モンテカルロ (HMC) やモンテカルロ・ドロップアウト (MCD) などのベイズ法の有効性を検討する。
この結果から,ニューラルPDEは流れ系を効果的に再構築し,関連する未知パラメータを予測できることが示唆された。
論文 参考訳(メタデータ) (2023-11-08T04:52:20Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳(メタデータ) (2023-11-02T02:05:38Z) - Discovering stochastic partial differential equations from limited data
using variational Bayes inference [0.0]
データから部分微分方程式(SPDE)を発見するための新しいフレームワークを提案する。
提案手法は、計算学、変分ベイズ理論、スパースラーニングの概念を組み合わせたものである。
これはデータからSPDEを発見する最初の試みであり、様々な科学的応用に重要な意味を持つ。
論文 参考訳(メタデータ) (2023-06-28T02:18:04Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
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を検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
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) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic
Representation [62.017505017414564]
教師なしの方法でニューラルソルバを訓練することが不可欠である。
既存の手法は妥当な精度を達成し、重要な計算課題と不正確なシミュレーションをもたらす。
PDEの確率的表現を用いて教師なしニューラルソルバを訓練するためのモンテカルロPDEソルバを提案する。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Parsimony-Enhanced Sparse Bayesian Learning for Robust Discovery of
Partial Differential Equations [5.584060970507507]
Parsimony Enhanced Sparse Bayesian Learning (PeSBL) 法は非線形力学系の部分微分方程式 (PDE) を解析するために開発された。
数値ケーススタディの結果,多くの標準力学系のPDEをPeSBL法を用いて正確に同定できることが示唆された。
論文 参考訳(メタデータ) (2021-07-08T00:56:11Z) - Learning effective stochastic differential equations from microscopic
simulations: combining stochastic numerics and deep learning [0.46180371154032895]
ニューラルネットワークを用いた実効SDEにおけるドリフトと拡散関数を近似した。
当社のアプローチでは、長いトラジェクトリを必要とせず、散在するスナップショットデータで動作し、スナップショット毎に異なるタイムステップを自然に処理するように設計されています。
論文 参考訳(メタデータ) (2021-06-10T13:00:18Z) - Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。
所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。
実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
論文 参考訳(メタデータ) (2020-03-06T23:11:13Z) - Stochastic Normalizing Flows [52.92110730286403]
微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。
粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。
これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
論文 参考訳(メタデータ) (2020-02-21T20:47:55Z)
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。