論文の概要: Joint Parameter and Parameterization Inference with Uncertainty
Quantification through Differentiable Programming
- arxiv url: http://arxiv.org/abs/2403.02215v1
- Date: Mon, 4 Mar 2024 17:02:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 18:08:51.297072
- Title: Joint Parameter and Parameterization Inference with Uncertainty
Quantification through Differentiable Programming
- Title(参考訳): 微分可能プログラミングによる不確かさ定量化を伴う結合パラメータとパラメータ化推定
- Authors: Yongquan Qu, Mohamed Aziz Bhouri, Pierre Gentine
- Abstract要約: 本稿では,物理パラメータの同時推定と不確実性,およびタンデムにおける機械学習パラメータ化のための新しいフレームワークを提案する。
このアプローチは、微分可能なプログラミングの能力によって実現されます。
- 参考スコア(独自算出の注目度): 0.23074183054194847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate representations of unknown and sub-grid physical processes through
parameterizations (or closure) in numerical simulations with quantified
uncertainty are critical for resolving the coarse-grained partial differential
equations that govern many problems ranging from weather and climate prediction
to turbulence simulations. Recent advances have seen machine learning (ML)
increasingly applied to model these subgrid processes, resulting in the
development of hybrid physics-ML models through the integration with numerical
solvers. In this work, we introduce a novel framework for the joint estimation
and uncertainty quantification of physical parameters and machine learning
parameterizations in tandem, leveraging differentiable programming. Achieved
through online training and efficient Bayesian inference within a
high-dimensional parameter space, this approach is enabled by the capabilities
of differentiable programming. This proof of concept underscores the
substantial potential of differentiable programming in synergistically
combining machine learning with differential equations, thereby enhancing the
capabilities of hybrid physics-ML modeling.
- Abstract(参考訳): 数値化不確実性のある数値シミュレーションにおけるパラメータ化(または閉包)による未知およびサブグリッド物理過程の正確な表現は、天気予報から乱流シミュレーションまで多くの問題を支配している粗粒偏微分方程式を解くために重要である。
近年、機械学習(ML)がこれらのサブグリッドプロセスのモデル化にますます応用され、数値解法との統合によるハイブリッド物理-MLモデルの開発が進んでいる。
本稿では,物理パラメータと機械学習パラメータの同時推定と不確実性定量化のための新しい枠組みを提案する。
オンライントレーニングと高次元パラメータ空間内の効率的なベイズ推論によって達成されるこのアプローチは、微分可能プログラミングの機能によって実現される。
この概念実証は、機械学習と微分方程式を相乗的に組み合わせることで、微分可能プログラミングの実質的な可能性を強調し、ハイブリッド物理-mlモデリングの能力を高める。
関連論文リスト
- Integrating Physics-Informed Deep Learning and Numerical Methods for Robust Dynamics Discovery and Parameter Estimation [0.0]
本研究では,動的システム理論における2つの課題を解決するために,ディープラーニング手法と微分方程式の古典的数値法を組み合わせる。
その結果,カオス力学を示す一連のテスト問題に対する提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-10-05T22:40:02Z) - Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。
マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2024-05-22T15:40:05Z) - 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 minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳(メタデータ) (2023-07-21T14:25:06Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - Physics-informed Neural Network: The Effect of Reparameterization in
Solving Differential Equations [0.0]
複雑な物理学では、解析的に解くのが難しい微分方程式がほとんどである。
近年, 物理インフォームドニューラルネットワークは, 様々な微分方程式の解法系において, 非常によく機能することが示されている。
論文 参考訳(メタデータ) (2023-01-28T07:53:26Z) - Reduced order modeling of parametrized systems through autoencoders and
SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。
提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。
これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文 参考訳(メタデータ) (2022-11-13T01:57:18Z) - 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) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳(メタデータ) (2020-09-08T13:26:51Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳(メタデータ) (2020-07-04T19:07:51Z) - Automatic Differentiation and Continuous Sensitivity Analysis of Rigid
Body Dynamics [15.565726546970678]
剛体力学のための微分可能な物理シミュレータを提案する。
軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
論文 参考訳(メタデータ) (2020-01-22T03:54:00Z)
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。