論文の概要: Closure Discovery for Coarse-Grained Partial Differential Equations Using Grid-based Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2402.00972v2
- Date: Thu, 23 May 2024 15:48:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 07:19:21.879432
- Title: Closure Discovery for Coarse-Grained Partial Differential Equations Using Grid-based Reinforcement Learning
- Title(参考訳): 格子型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: 本稿では,グリッドベース強化学習を用いて,未解決PDEにおけるクロージャの同定のための体系的アプローチを提案する。
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, フレームワークの機能と限界を実証する。
- 参考スコア(独自算出の注目度): 2.9611509639584304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable predictions of critical phenomena, such as weather, wildfires and epidemics often rely on models described by Partial Differential Equations (PDEs). However, simulations that capture the full range of spatio-temporal scales described by such PDEs are often prohibitively expensive. Consequently, coarse-grained simulations are usually deployed that adopt various heuristics and empirical closure terms to account for the missing information. We propose a novel and systematic approach for identifying closures in under-resolved PDEs using grid-based Reinforcement Learning. This formulation incorporates inductive bias and exploits locality by deploying a central policy represented efficiently by a Fully Convolutional Network (FCN). We demonstrate the capabilities and limitations of our framework 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): 気象、山火事、疫病などの重要な現象の信頼性の高い予測は、しばしば部分微分方程式(PDE)によって記述されたモデルに依存する。
しかしながら、このようなPDEによって記述された全時空間スケールをキャプチャするシミュレーションは、しばしば違法に高価である。
その結果、粗い粒度のシミュレーションは通常、不足した情報を説明するために様々なヒューリスティックと経験的なクロージャの言葉を取り入れて展開される。
グリッド型強化学習を用いて, 未解決PDEにおけるクロージャを同定するための新しい, 体系的なアプローチを提案する。
この定式化は帰納バイアスを取り入れ、完全な畳み込みネットワーク(FCN)によって効率よく表される中央ポリシーを配置することで局所性を利用する。
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, フレームワークの機能と限界を実証する。
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
- DiffusionPDE: Generative PDE-Solving Under Partial Observation [10.87702379899977]
生成拡散モデルを用いて偏微分方程式(PDE)を解くための一般的な枠組みを提案する。
そこで本研究では, 学習した生成先行が, 部分観察下において, 広範囲のPDEを正確に解くための多元的枠組みに導かれることを示す。
論文 参考訳(メタデータ) (2024-06-25T17:48:24Z) - 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) - Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - 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) - 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) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳(メタデータ) (2021-10-12T02:21:30Z) - Stationary Density Estimation of It\^o Diffusions Using Deep Learning [6.8342505943533345]
離散時間系列からのエルゴード的伊藤拡散の定常測度に関連する密度推定問題を考察する。
我々は深層ニューラルネットワークを用いてSDEのドリフトと拡散の項を近似する。
我々は、適切な数学的仮定の下で提案されたスキームの収束を確立する。
論文 参考訳(メタデータ) (2021-09-09T01:57:14Z) - 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) - Bayesian data-driven discovery of partial differential equations with variable coefficients [9.331440154110117]
可変係数を用いたPDE探索のための高度なベイズスパース学習アルゴリズムを提案する。
実験では, 雑音環境下でのベースライン法よりも, tBGL-SS法の方がロバストであることを示す。
論文 参考訳(メタデータ) (2021-02-02T11:05:34Z) - 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。