論文の概要: A Comprehensive Review of Latent Space Dynamics Identification Algorithms for Intrusive and Non-Intrusive Reduced-Order-Modeling
- arxiv url: http://arxiv.org/abs/2403.10748v1
- Date: Sat, 16 Mar 2024 00:45:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 22:04:53.134412
- Title: A Comprehensive Review of Latent Space Dynamics Identification Algorithms for Intrusive and Non-Intrusive Reduced-Order-Modeling
- Title(参考訳): 侵入型及び非侵入型縮小次数モデルのための潜時空間ダイナミクス同定アルゴリズムの総合的レビュー
- Authors: Christophe Bonneville, Xiaolong He, April Tran, Jun Sur Park, William Fries, Daniel A. Messenger, Siu Wun Cheung, Yeonjong Shin, David M. Bortz, Debojyoti Ghosh, Jiun-Shyan Chen, Jonathan Belof, Youngsoo Choi,
- Abstract要約: 我々は、PDEによって支配される高忠実度データを、通常の微分方程式(ODE)によって支配される単純で低次元のデータに変換する、Lalatent Space Dynamics Identification (La)と呼ばれるフレームワークに焦点を当てる。
Laのビルディングブロックはアプリケーションによって簡単に変更できるため、Laフレームワークの柔軟性は高い。
本研究では, バーガース方程式, 非線形熱伝導問題, プラズマ物理問題に対するLaアプローチの性能を実証し, ラアルゴリズムが相対誤差を数パーセント以下で, 数千倍の高速化を達成可能であることを示した。
- 参考スコア(独自算出の注目度): 0.20742830443146304
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerical solvers of partial differential equations (PDEs) have been widely employed for simulating physical systems. However, the computational cost remains a major bottleneck in various scientific and engineering applications, which has motivated the development of reduced-order models (ROMs). Recently, machine-learning-based ROMs have gained significant popularity and are promising for addressing some limitations of traditional ROM methods, especially for advection dominated systems. In this chapter, we focus on a particular framework known as Latent Space Dynamics Identification (LaSDI), which transforms the high-fidelity data, governed by a PDE, to simpler and low-dimensional latent-space data, governed by ordinary differential equations (ODEs). These ODEs can be learned and subsequently interpolated to make ROM predictions. Each building block of LaSDI can be easily modulated depending on the application, which makes the LaSDI framework highly flexible. In particular, we present strategies to enforce the laws of thermodynamics into LaSDI models (tLaSDI), enhance robustness in the presence of noise through the weak form (WLaSDI), select high-fidelity training data efficiently through active learning (gLaSDI, GPLaSDI), and quantify the ROM prediction uncertainty through Gaussian processes (GPLaSDI). We demonstrate the performance of different LaSDI approaches on Burgers equation, a non-linear heat conduction problem, and a plasma physics problem, showing that LaSDI algorithms can achieve relative errors of less than a few percent and up to thousands of times speed-ups.
- Abstract(参考訳): 偏微分方程式(PDE)の数値解法は物理系のシミュレートに広く用いられている。
しかし、計算コストは様々な科学的・工学的応用において大きなボトルネックであり続けており、それは減階モデル(ROM)の開発を動機付けている。
近年、機械学習ベースのROMが広く普及し、従来のROM手法のいくつかの制限、特にアドベクションに支配されたシステムに対処することを約束している。
この章では、PDEが支配する高忠実度データを、通常の微分方程式(ODE)が支配する単純で低次元の潜在空間データに変換するLaSDI(Latent Space Dynamics Identification)と呼ばれる特定のフレームワークに焦点を当てる。
これらのODEは、ROM予測のために学習し、補間することができる。
LaSDIのビルディングブロックはアプリケーションによって簡単に変更できるので、LaSDIフレームワークは柔軟です。
特に、熱力学の法則をLaSDIモデル(tLaSDI)に適用し、弱形(WLaSDI)を介してノイズの存在下での堅牢性を高め、アクティブラーニング(gLaSDI, GPLaSDI)を通して高忠実度トレーニングデータを効率よく選択し、ガウス過程(GPLaSDI)を介してROM予測の不確実性を定量化する戦略を提案する。
本稿では,バーガース方程式,非線形熱伝導問題,プラズマ物理問題に対するLaSDIアルゴリズムの性能を実証し,LaSDIアルゴリズムが数パーセント未満の相対誤差を最大数千倍のスピードアップで達成可能であることを示した。
関連論文リスト
- Parametric Taylor series based latent dynamics identification neural networks [0.3139093405260182]
非線形力学の新しい潜在的同定法であるP-TLDINetを導入する。
これはテイラー級数展開とResNetsに基づく新しいニューラルネットワーク構造に依存している。
論文 参考訳(メタデータ) (2024-10-05T15:10:32Z) - Physics-informed active learning with simultaneous weak-form latent space dynamics identification [0.2999888908665658]
非線形力学(WENDy)の弱形式推定をgLaに導入する。
オートエンコーダとWENDyは同時に訓練され、高次元データの潜時空間のダイナミクスを発見する。
WgLa は gLa よりも桁違いに優れ,相対誤差は 1-7% である。
論文 参考訳(メタデータ) (2024-06-29T06:52:59Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳(メタデータ) (2023-12-14T09:46:16Z) - Data-Driven Autoencoder Numerical Solver with Uncertainty Quantification
for Fast Physical Simulations [0.0]
本稿では,ハイブリッドディープラーニングとベイズROM.aについて紹介する。
我々は、全順序モデル(FOM)データに基づいてオートエンコーダを訓練し、同時に潜在空間を規定するより単純な方程式を学習する。
我々のフレームワークは流体力学の問題に対して最大10万倍のスピードアップと7%未満の相対誤差を達成できる。
論文 参考訳(メタデータ) (2023-12-02T04:03:32Z) - Weak-Form Latent Space Dynamics Identification [0.2999888908665658]
データ駆動モデリングにおける最近の研究は、モデル方程式の弱い定式化が計算手法のノイズロバスト性を高めることを実証している。
最近開発されたデータ駆動還元次数モデリング手法であるLa(Latent Space Dynamics Identification)アルゴリズムを強化するために弱い形状のパワーを実証する。
論文 参考訳(メタデータ) (2023-11-20T18:42:14Z) - GPLaSDI: Gaussian Process-based Interpretable Latent Space Dynamics Identification through Deep Autoencoder [0.0]
潜在空間ODEに依存する新しいLa Gaussianベースのフレームワークを導入する。
本稿では,バーガース方程式,プラズマ物理学におけるフラソフ方程式,上昇する熱バブル問題に対する我々のアプローチの有効性を実証する。
提案手法は,200~10万倍の高速化を実現し,相対誤差を最大7%向上する。
論文 参考訳(メタデータ) (2023-08-10T23:54:12Z) - 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) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - Learning to Accelerate Partial Differential Equations via Latent Global
Evolution [64.72624347511498]
The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。
我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。
更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
論文 参考訳(メタデータ) (2022-06-15T17:31:24Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳(メタデータ) (2021-12-01T22:55:23Z) - DySMHO: Data-Driven Discovery of Governing Equations for Dynamical
Systems via Moving Horizon Optimization [77.34726150561087]
本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。
DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。
標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
論文 参考訳(メタデータ) (2021-07-30T20:35:03Z)
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。