論文の概要: The Deep Latent Space Particle Filter for Real-Time Data Assimilation with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2406.02204v1
• Date: Tue, 4 Jun 2024 10:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 16:42:06.242751
• Title: The Deep Latent Space Particle Filter for Real-Time Data Assimilation with Uncertainty Quantification
• Title（参考訳）: 不確実性量子化を伴う実時間データ同化のための深潜時空間粒子フィルタ
• Authors: Nikolaj T. Mücke, Sander M. Bohté, Cornelis W. Oosterlee,
• Abstract要約: 本稿では,ニューラルネットワークに基づくサロゲートモデルを用いた新しい粒子フィルタ手法であるDeep Latent Space Particle Filter(D-LSPF)を提案する。 D-LSPFは高忠実度粒子フィルタより桁違いに速く、代替手法より3～5倍速く、精度は桁違いに高い。
• 参考スコア（独自算出の注目度）: 0.669618059970013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Data Assimilation, observations are fused with simulations to obtain an accurate estimate of the state and parameters for a given physical system. Combining data with a model, however, while accurately estimating uncertainty, is computationally expensive and infeasible to run in real-time for complex systems. Here, we present a novel particle filter methodology, the Deep Latent Space Particle filter or D-LSPF, that uses neural network-based surrogate models to overcome this computational challenge. The D-LSPF enables filtering in the low-dimensional latent space obtained using Wasserstein AEs with modified vision transformer layers for dimensionality reduction and transformers for parameterized latent space time stepping. As we demonstrate on three test cases, including leak localization in multi-phase pipe flow and seabed identification for fully nonlinear water waves, the D-LSPF runs orders of magnitude faster than a high-fidelity particle filter and 3-5 times faster than alternative methods while being up to an order of magnitude more accurate. The D-LSPF thus enables real-time data assimilation with uncertainty quantification for physical systems.
• Abstract（参考訳）: データ同化(Data Assimilation)では、物理系の状態とパラメータを正確に推定するために、観測をシミュレーションで融合する。 しかし、データとモデルを組み合わせることは、不確実性を正確に推定する一方で、計算コストが高く、複雑なシステムに対してリアルタイムに実行することは不可能である。 本稿では,ニューラルネットワークに基づくサロゲートモデルを用いた新しい粒子フィルタ手法であるDeep Latent Space Particle Filter(D-LSPF)を提案する。 D-LSPFは、アッサースタインAEsを用いて得られた低次元潜時空間に、次元減少のための改良された視覚変換器層とパラメータ化された潜時空間ステップのための変圧器とのフィルタリングを可能にする。 D-LSPFは, 多相管流中における漏れの局所化や, 完全非線形波動に対する海底同定を含む3つの試験事例において, 高忠実度粒子フィルタより桁違いに高速で, 従来法より3～5倍高速であり, 高精度である。 これにより、D-LSPFは物理系の不確実な定量化とリアルタイムなデータ同化を可能にする。

関連論文リスト

• TorchDA: A Python package for performing data assimilation with deep learning forward and transformation functions [7.11946037942663]
  本研究では、状態遷移と観測関数のモデルとして、深層ニューラルネットワークとデータ同化を組み合わせた新しいPythonパッケージを提案する。 ロレンツ63と2次元浅層水系の総合的な実験は、同化を伴わないスタンドアロンモデル予測よりも大幅に性能を向上した。 全体として、この革新的なソフトウェアパッケージは、データ同化内でのディープラーニング表現の柔軟な統合を可能にし、科学的領域にわたる複雑な高次元力学システムに取り組むための汎用ツールを提供する。
  論文  参考訳（メタデータ） (2024-08-30T20:30:34Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• An Ensemble Score Filter for Tracking High-Dimensional Nonlinear Dynamical Systems [10.997994515823798]
  本研究では,高次元非線形フィルタ問題に対するアンサンブルスコアフィルタ(EnSF)を提案する。 ニューラルネットワークをトレーニングしてスコア関数を近似する既存の拡散モデルとは異なり、トレーニング不要スコア推定を開発する。 EnSFは、最先端のLocal Ensemble Transform Kalman Filter法と比較して、驚くべきパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-09-02T16:48:02Z)
• Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
  トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。 最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。 本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
  論文  参考訳（メタデータ） (2023-07-13T08:35:40Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• Dynamic Temporal Filtering in Video Models [128.02725199486719]
  時間的特徴学習の新しいレシピである動的時間フィルタ(DTF)を提案する。 DTFは、その長距離時間ダイナミクスをモデル化するために、空間的位置ごとに特別な周波数フィルタを学習する。 DTFブロックをConvNetsとTransformerにプラグインすることで、DTF-NetとDTF-Transformerが得られる。
  論文  参考訳（メタデータ） (2022-11-15T15:59:28Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• An efficient estimation of time-varying parameters of dynamic models by combining offline batch optimization and online data assimilation [0.0]
  比較的低次元モデルの時間変化パラメータを推定する,効率的かつ実用的な手法を提案する。 オフラインバッチ最適化とオンラインデータ同化の組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-10-24T20:12:12Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)

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。