論文の概要: Towards robust prediction of material properties for nuclear reactor design under scarce data -- a study in creep rupture property

• arxiv url: http://arxiv.org/abs/2405.17862v1
• Date: Tue, 28 May 2024 06:20:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 20:07:07.512789
• Title: Towards robust prediction of material properties for nuclear reactor design under scarce data -- a study in creep rupture property
• Title（参考訳）: 不足データに基づく原子炉設計における材料特性の頑健な予測に向けて -- クリープ破壊特性に関する研究-
• Authors: Yu Chen, Edoardo Patelli, Zhen Yang, Adolphus Lye,
• Abstract要約: 主な課題は、データセットの可用性と、データ、モデル、予測の不確実性についての十分な考慮である。 本稿では, 原子炉設計における材料特性の信頼性予測を目的とした, 不確実性と事前知識の両面でのメタラーニングに基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 7.068581430279433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in Deep Learning bring further investigation into credibility and robustness, especially for safety-critical engineering applications such as the nuclear industry. The key challenges include the availability of data set (often scarce and sparse) and insufficient consideration of the uncertainty in the data, model, and prediction. This paper therefore presents a meta-learning based approach that is both uncertainty- and prior knowledge-informed, aiming at trustful predictions of material properties for the nuclear reactor design. It is suited for robust learning under limited data. Uncertainty has been accounted for where a distribution of predictor functions are produced for extrapolation. Results suggest it achieves superior performance than existing empirical methods in rupture life prediction, a case which is typically under a small data regime. While demonstrated herein with rupture properties, this learning approach is transferable to solve similar problems of data scarcity across the nuclear industry. It is of great importance to boosting the AI analytics in the nuclear industry by proving the applicability and robustness while providing tools that can be trusted.
• Abstract（参考訳）: ディープ・ラーニングの進歩は、特に原子力産業のような安全クリティカルな工学応用において、信頼性と堅牢性に関するさらなる調査をもたらす。 主な課題は、データセット(しばしば希少でスパース)の可用性と、データ、モデル、予測の不確実性について十分に考慮されていないことである。 そこで本稿では, 原子炉設計における材料特性の信頼性予測を目的とした, 不確実性と事前知識の両面でのメタラーニングに基づくアプローチを提案する。 限られたデータの下での堅牢な学習に適している。 不確実性は、外挿のために予測関数の分布が生成される場所について説明されている。 その結果, 破断寿命予測における既存の経験的手法よりも優れた性能が得られることが示唆された。 ここでは破断特性が実証されているが、この学習アプローチは、原子力業界全体でのデータ不足という同様の問題を解決するために、転送可能である。 信頼できるツールを提供しながら、適用性と堅牢性を証明することによって、原子力産業におけるAI分析を強化することが非常に重要です。

関連論文リスト

• Uncertainties of Latent Representations in Computer Vision [2.33877878310217]
  この論文は、事前訓練されたコンピュータビジョンモデルの潜在表現ベクトルにそれらを追加することで、不確実性推定を容易にアクセスできるようにする。 観測不可能な潜在表現に関するこれらの観測不可能な不確実性は、確実に正しいことを示す。
  論文  参考訳（メタデータ） (2024-08-26T14:02:30Z)
• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• Physics-constrained Random Forests for Turbulence Model Uncertainty Estimation [0.0]
  乱流モデルの不確実性を考慮した物理制約付き手法について論じる。 ユーザ入力を排除するため,データ駆動型機械学習戦略を取り入れた。
  論文  参考訳（メタデータ） (2023-06-23T08:44:56Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• A Sentiment Analysis Dataset for Trustworthiness Evaluation [22.734197353027632]
  深層学習モデルはブラックボックス問題のために信頼できないとしばしば批判される。 我々は、頑健さと解釈可能性を評価するために、新しくよく注釈付けされた感情分析データセットをリリースする。
  論文  参考訳（メタデータ） (2021-08-30T11:58:16Z)
• Quantifying Uncertainty for Machine Learning Based Diagnostic [28.499029801148545]
  我々はアンサンブル法と量子回帰ニューラルネットワークを用いて、SLACのLinac Coherent Light Sourceからの実験データに対する予測の不確実性の生成と解析を行う。 我々は、電子ビームの現在のプロファイルまたは長手位相空間像を正確かつ確実に予測することを目指している。
  論文  参考訳（メタデータ） (2021-07-29T18:13:01Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Assigning Confidence to Molecular Property Prediction [1.015785232738621]
  機械学習は、既存のデータセットから学び、目に見えない分子の予測を実行する強力な戦略として登場した。 薬物設計に関連する分子特性を予測するための一般的な戦略、それに対応する不確実性源および不確実性および信頼性を定量化する方法について議論する。
  論文  参考訳（メタデータ） (2021-02-23T01:03:48Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。