Fugu-MT 論文翻訳(概要): Sensitivity Analysis for Active Sampling, with Applications to the Simulation of Analog Circuits

論文の概要: Sensitivity Analysis for Active Sampling, with Applications to the Simulation of Analog Circuits

arxiv url: http://arxiv.org/abs/2405.07971v1
Date: Mon, 13 May 2024 17:47:40 GMT
ステータス: 処理完了
システム内更新日: 2024-05-14 12:46:36.237611
Title: Sensitivity Analysis for Active Sampling, with Applications to the Simulation of Analog Circuits
Title（参考訳）: アクティブサンプリングの感度解析とアナログ回路シミュレーションへの応用
Authors: Reda Chhaibi, Fabrice Gamboa, Christophe Oger, Vinicius Oliveira, Clément Pellegrini, Damien Remot,
Abstract要約: 本稿では,アナログ回路における複合変動の影響をシミュレートする,アクティブサンプリングフローを提案する。感度解析とベイジアン・サロゲート・モデリングを併用することにより, フレキシブルなアクティブ・サンプリング・フローが得られる。
参考スコア（独自算出の注目度）: 1.5943223374606597
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We propose an active sampling flow, with the use-case of simulating the impact of combined variations on analog circuits. In such a context, given the large number of parameters, it is difficult to fit a surrogate model and to efficiently explore the space of design features. By combining a drastic dimension reduction using sensitivity analysis and Bayesian surrogate modeling, we obtain a flexible active sampling flow. On synthetic and real datasets, this flow outperforms the usual Monte-Carlo sampling which often forms the foundation of design space exploration.
Abstract（参考訳）: 本稿では,アナログ回路における複合変動の影響をシミュレートする,アクティブサンプリングフローを提案する。このような状況下では、多数のパラメータを考慮すれば、サロゲートモデルに適合し、設計特徴の空間を効率的に探索することは困難である。感度解析とベイジアン・サロゲート・モデリングを併用することにより, フレキシブルなアクティブ・サンプリング・フローが得られる。合成および実際のデータセットでは、この流れは通常のモンテカルロサンプリングよりも優れており、しばしば設計空間探索の基礎となる。

関連論文リスト

SurroFlow: A Flow-Based Surrogate Model for Parameter Space Exploration and Uncertainty Quantification [17.175947741031674]
既存のディープラーニングベースのサロゲートモデルは、効率的なデータ生成を容易にするが、不確実な定量化、効率的なパラメータ空間探索、逆予測に不足する。シミュレーションパラメータとシミュレーション出力の間の可逆変換を学習するために,フローベースサロゲートモデルを正規化した新しいモデルであるSurroFlowを紹介した。本フレームワークは,科学的サロゲートモデルの信頼性と探索能力を向上しつつ,計算コストを大幅に削減する。
論文参考訳（メタデータ） (2024-07-16T19:08:49Z)
Bayesian Adaptive Calibration and Optimal Design [16.821341360894706]
現在の機械学習アプローチは、主に観測データで利用可能な固定された設計セットに対する再実行シミュレーションに依存している。本稿では,バッチシーケンスプロセス内で最大情報化シミュレーションを実行するためのデータ効率アルゴリズムを提案する。合成問題と実データ問題にまたがる関連手法と比較して,本手法の利点を示す。
論文参考訳（メタデータ） (2024-05-23T11:14:35Z)
On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
Dual-Space Optimization: Improved Molecule Sequence Design by Latent Prompt Transformer [78.47949363282868]
本稿では,遅延空間サンプリングとデータ空間選択を統合したDual-Space Optimization (DSO)法を提案する。 DSOは、生成モデルと合成データを所望のプロパティ値の領域にシフトさせる最適化プロセスにおいて、潜在空間生成モデルと合成データセットを反復的に更新する。提案手法の有効性を実証し, 単一目的, 多目的, 制約された分子設計タスクにまたがる新しい性能ベンチマークを設定した。
論文参考訳（メタデータ） (2024-02-27T03:33:23Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)
Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
論文参考訳（メタデータ） (2022-02-23T19:00:00Z)
Learning Similarity Metrics for Volumetric Simulations with Multiscale CNNs [25.253880881581956]
本研究では,エントロピーに基づく類似性モデルを提案する。我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-02-08T19:19:08Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
Scalable nonparametric Bayesian learning for heterogeneous and dynamic velocity fields [8.744017403796406]
速度場データの不均一および動的パターンを学習するモデルを開発した。複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
論文参考訳（メタデータ） (2021-02-15T17:45:46Z)

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。