論文の概要: ML4PhySim : Machine Learning for Physical Simulations Challenge (The airfoil design)

• arxiv url: http://arxiv.org/abs/2403.01623v1
• Date: Sun, 3 Mar 2024 22:10:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 20:37:30.894451
• Title: ML4PhySim : Machine Learning for Physical Simulations Challenge (The airfoil design)
• Title（参考訳）: ML4PhySim : 物理シミュレーションのための機械学習(翼設計)
• Authors: Mouadh Yagoubi, Milad Leyli-Abadi, David Danan, Jean-Patrick Brunet, Jocelyn Ahmed Mazari, Florent Bonnet, Asma Farjallah, Marc Schoenauer, Patrick Gallinari
• Abstract要約: この競争の目的は、物理的な問題を解決するための新しいML技術の開発を促進することである。 本研究では,AirfRANSというデータセットを用いて,翼設計シミュレーションを表現するタスクの学習を提案する。 我々の知る限りでは、これはMLベースのサロゲートアプローチを使用して物理シミュレーションのトレードオフ計算コスト/精度を改善するための最初の競争である。
• 参考スコア（独自算出の注目度）: 16.140736542578562
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The use of machine learning (ML) techniques to solve complex physical problems has been considered recently as a promising approach. However, the evaluation of such learned physical models remains an important issue for industrial use. The aim of this competition is to encourage the development of new ML techniques to solve physical problems using a unified evaluation framework proposed recently, called Learning Industrial Physical Simulations (LIPS). We propose learning a task representing a well-known physical use case: the airfoil design simulation, using a dataset called AirfRANS. The global score calculated for each submitted solution is based on three main categories of criteria covering different aspects, namely: ML-related, Out-Of-Distribution, and physical compliance criteria. To the best of our knowledge, this is the first competition addressing the use of ML-based surrogate approaches to improve the trade-off computational cost/accuracy of physical simulation.The competition is hosted by the Codabench platform with online training and evaluation of all submitted solutions.
• Abstract（参考訳）: 複雑な物理的問題を解決するための機械学習(ML)技術の使用は、近年、有望なアプローチと考えられている。 しかし,このような物理モデルの評価は,産業利用において重要な課題である。 このコンペティションの目的は、最近提案されたLearning Industrial Physical Simulations (LIPS) と呼ばれる統合評価フレームワークを用いて、物理問題を解決する新しいML技術の開発を促進することである。 本研究では,AirfRANSというデータセットを用いて,エアフォイル設計シミュレーションという,よく知られた物理ユースケースを表すタスクの学習を提案する。 提出された各ソリューションで算出されたグローバルスコアは、ml関連、アウトオブディストリビューション、物理的コンプライアンス基準という3つの主要な基準に基づいています。 我々の知る限り、このコンペティションは、MLベースのサロゲートアプローチを使用して物理シミュレーションのトレードオフ計算コスト/精度を向上させるための最初のコンペティションであり、Codabenchプラットフォームがオンライントレーニングと全ての提案されたソリューションの評価を行っている。

関連論文リスト

• SMLE: Safe Machine Learning via Embedded Overapproximation [4.129133569151574]
  本研究は,デザイナ・ちょうせん特性を満たすことが保証される識別可能なMLモデルを訓練する作業について考察する。 現代のニューラルモデルにおけるコンプライアンスの厳格な検証と実施という計算複雑性のため、これは非常に難しい。 1)保守的なセマンティクスによる効率的な検証を可能にする汎用的,シンプルなアーキテクチャ。 回帰における線形不等式によって定義される特性と、多重ラベル分類における相互排他的クラスに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-09-30T17:19:57Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• NeurIPS 2024 ML4CFD Competition: Harnessing Machine Learning for Computational Fluid Dynamics in Airfoil Design [15.301599529509057]
  この課題は、エアフォイル設計シミュレーション(Airfoil design simulation)という、確立された物理応用の基礎となる課題に焦点を当てている。 この競争はML駆動のサロゲート法を探求する先駆的な試みである。 このコンペティションは、参加するすべてのソリューションに対して、オンライントレーニングと評価を提供する。
  論文  参考訳（メタデータ） (2024-06-30T21:48:38Z)
• 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)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Reinforcement Learning for Assignment problem [0.0]
  我々のシミュレータは環境の変化によって現実の問題に類似している。 そこで本研究では,Q-ラーニングに基づく手法を,全報酬の観点から,動的シミュレーションの数と,解析的欲求に基づく解に応用した。
  論文  参考訳（メタデータ） (2020-11-08T06:25:50Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)
• Workflow Provenance in the Lifecycle of Scientific Machine Learning [1.6118907823528272]
  我々は、科学MLのライフサイクルをサポートするために、ワークフロー技術を活用して全体像を構築する。 i)データ分析のライフサイクルと分類の特徴づけ、(ii)W3C PROVに準拠したデータ表現と参照システムアーキテクチャを用いて、この視点を構築するための設計原則、(iii)393ノードと946GPUを持つHPCクラスタを用いて、石油・ガスのケースでの評価から学んだ教訓に貢献する。
  論文  参考訳（メタデータ） (2020-09-30T13:09:48Z)

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。