論文の概要: Building Flexible Machine Learning Models for Scientific Computing at Scale

• arxiv url: http://arxiv.org/abs/2402.16014v1
• Date: Sun, 25 Feb 2024 07:19:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 15:55:19.097484
• Title: Building Flexible Machine Learning Models for Scientific Computing at Scale
• Title（参考訳）: 大規模科学計算のためのフレキシブル機械学習モデルの構築
• Authors: Tianyu Chen, Haoyi Zhou, Ying Li, Hao Wang, Chonghan Gao, Shanghang Zhang, Jianxin Li
• Abstract要約: 我々は科学計算の基礎モデル構築のためのパラダイムシフトアプローチであるOmniArchを紹介する。 包括的なPDEBenchデータセットで事前トレーニングされたOmniArchは、新しいパフォーマンスベンチマークを1D、2D、3D PDE用に設定する。 モデルの表現はさらに逆問題解決にまで拡張され、AI対応科学コンピューティング(AI4SC)の変革の可能性を強調している。
• 参考スコア（独自算出の注目度）: 36.50343666079548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models have revolutionized knowledge acquisition across domains, and our study introduces OmniArch, a paradigm-shifting approach designed for building foundation models in multi-physics scientific computing. OmniArch's pre-training involves a versatile pipeline that processes multi-physics spatio-temporal data, casting forward problem learning into scalable auto-regressive tasks, while our novel Physics-Informed Reinforcement Learning (PIRL) technique during fine-tuning ensures alignment with physical laws. Pre-trained on the comprehensive PDEBench dataset, OmniArch not only sets new performance benchmarks for 1D, 2D and 3D PDEs but also demonstrates exceptional adaptability to new physics via few-shot and zero-shot learning approaches. The model's representations further extend to inverse problem-solving, highlighting the transformative potential of AI-enabled Scientific Computing(AI4SC) foundation models for engineering applications and physics discovery.
• Abstract（参考訳）: OmniArchは、多分野の科学計算において基礎モデルを構築するために設計されたパラダイムシフトアプローチである。 OmniArchの事前トレーニングには、多段階の時空間データを処理する多目的パイプラインが含まれており、問題の学習をスケーラブルな自動回帰タスクにキャストする一方、我々の新しい物理情報強化学習(PIRL)技術は、微調整時の物理法則の整合性を保証する。 包括的なPDEBenchデータセットに基づいて事前トレーニングされたOmniArchは、1D, 2D, 3D PDEの新たなパフォーマンスベンチマークを設定するだけでなく、数ショットとゼロショットの学習アプローチによる新しい物理への例外的な適応性も示している。 このモデルの表現はさらに逆問題解決にまで拡張され、工学応用と物理学発見のためのAI対応科学コンピューティング(AI4SC)基盤モデルの変革の可能性を強調している。

関連論文リスト

• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  我々は、微分可能レンダリングと微分可能物理シミュレーションの両方を活用する最初のアプローチであるPhyReconを導入し、暗黙的な表面表現を学習する。 PhyReconは、ニューラルな暗黙の表現に基づいて構築された、新しい微分可能な粒子ベースの物理シミュレータを備えている。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• A foundational neural operator that continuously learns without forgetting [1.0878040851638]
  本稿では,科学計算の基礎モデルとしてNeural Combinatorial Wavelet Neural Operator (NCWNO) の概念を紹介する。 NCWNOは、物理学の様々なスペクトルから学習し、パラメトリック偏微分方程式(PDE)に関連する解作用素に継続的に適応するように特別に設計されている。 提案した基礎モデルには、2つの大きな利点がある: (i) 複数のパラメトリックPDEに対する解演算子を同時に学習し、 (ii) 極小調整の少ない新しいパラメトリックPDEに素早く一般化できる。
  論文  参考訳（メタデータ） (2023-10-29T03:20:10Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• SNUG: Self-Supervised Neural Dynamic Garments [14.83072352654608]
  本研究では,パラメトリックな人体が着る衣服の動的3次元変形を自己指導的に学習する手法を提案する。 これにより、動的変形や細かいしわを含むインタラクティブな衣服のモデルを、トレーニング時間に2桁の速度で学習することができる。
  論文  参考訳（メタデータ） (2022-04-05T13:50:21Z)
• Physics-Guided Deep Learning for Dynamical Systems: A survey [5.733401663293044]
  伝統的な物理学に基づくモデルは解釈可能であるが、厳密な仮定に依存している。 ディープラーニングは、複雑なパターンを効率的に認識し、非線形力学をエミュレートするための新しい代替手段を提供する。 物理学に基づくモデリングと最先端のDLモデルの両方を最大限に活用して、科学的な問題を解決することを目指している。
  論文  参考訳（メタデータ） (2021-07-02T20:59:03Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Gradient-Based Training and Pruning of Radial Basis Function Networks with an Application in Materials Physics [0.24792948967354234]
  本稿では,高速かつスケーラブルなオープンソース実装による放射状基底関数ネットワークのトレーニング手法を提案する。 連立データと連立データのモデル解析のための新しいクローズドフォーム最適化基準を導出する。
  論文  参考訳（メタデータ） (2020-04-06T11:32:37Z)

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。