論文の概要: Modern, Efficient, and Differentiable Transport Equation Models using JAX: Applications to Population Balance Equations
- arxiv url: http://arxiv.org/abs/2411.00742v1
- Date: Fri, 01 Nov 2024 17:07:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 21:27:42.120332
- Title: Modern, Efficient, and Differentiable Transport Equation Models using JAX: Applications to Population Balance Equations
- Title（参考訳）: JAXを用いた現代・効率的・差別化可能な輸送方程式モデル:人口収支方程式への応用
- Authors: Mohammed Alsubeihi, Arthur Jessop, Ben Moseley, Cláudio P. Fonte, Ashwin Kumar Rajagopalan,
- Abstract要約: 人口収支方程式(PBE)モデルは、多くのエンジニアリングプロセスを自動化する可能性がある。
医薬品分野において、結晶化モデルに基づく設計は過剰な薬物開発スケジュールの短縮に寄与する。
- 参考スコア（独自算出の注目度）: 0.6990493129893112
- License:
- Abstract: Population balance equation (PBE) models have potential to automate many engineering processes with far-reaching implications. In the pharmaceutical sector, crystallization model-based design can contribute to shortening excessive drug development timelines. Even so, two major barriers, typical of most transport equations, not just PBEs, have limited this potential. Notably, the time taken to compute a solution to these models with representative accuracy is frequently limiting. Likewise, the model construction process is often tedious and wastes valuable time, owing to the reliance on human expertise to guess constituent models from empirical data. Hybrid models promise to overcome both barriers through tight integration of neural networks with physical PBE models. Towards eliminating experimental guesswork, hybrid models facilitate determining physical relationships from data, also known as 'discovering physics'. Here, we aim to prepare for planned Scientific Machine Learning (SciML) integration through a contemporary implementation of an existing PBE algorithm, one with computational efficiency and differentiability at the forefront. To accomplish this, we utilized JAX, a cutting-edge library for accelerated computing. We showcase the speed benefits of this modern take on PBE modelling by benchmarking our solver to others we prepared using older, more widespread software. Primarily among these software tools is the ubiquitous NumPy, where we show JAX achieves up to 300x relative acceleration in PBE simulations. Our solver is also fully differentiable, which we demonstrate is the only feasible option for integrating learnable data-driven models at scale. We show that differentiability can be 40x faster for optimizing larger models than conventional approaches, which represents the key to neural network integration for physics discovery in later work.
- Abstract（参考訳）: 人口収支方程式(PBE)モデルは、多くの工学プロセスを自動化する可能性を秘めている。
医薬品分野において、結晶化モデルに基づく設計は過剰な薬物開発スケジュールの短縮に寄与する。
それでも、ほとんどの輸送方程式の典型的な2つの大きな障壁は、PBEだけでなく、このポテンシャルを制限している。
特に、これらのモデルの解を計算するのに要する時間は、しばしば制限される。
同様に、モデル構築プロセスは退屈で、経験的なデータから構成モデルを推測するために人間の専門知識に依存するため、貴重な時間を浪費することが多い。
ハイブリッドモデルは、ニューラルネットワークと物理PBEモデルとの緊密な統合を通じて、両方の障壁を克服することを約束する。
実験的な推理をなくすために、ハイブリッドモデルは「発見物理学」としても知られるデータから物理的関係を決定するのに役立つ。
本稿では,従来のPBEアルゴリズムの現代的実装によるSciML(SciML)統合の計画に備える。
これを実現するために、私たちは、高速コンピューティングのための最先端ライブラリであるJAXを使用しました。
我々は、より古い、より広範なソフトウェアを使用して準備した他のソフトウェアに対して、私たちのソルバをベンチマークすることで、PBEモデリングにおけるこの現代的な取り組みのスピード上の利点を紹介します。
これらのソフトウェアツールは、主にユビキタスなNumPyで、PBEシミュレーションにおいて、JAXが300倍の相対加速度を達成することを示す。
我々の解法は完全微分可能であり、学習可能なデータ駆動モデルを大規模に統合するための唯一の選択肢であることを示す。
我々は、従来のアプローチよりも大きなモデルを最適化する上で、微分可能性が40倍高速であることを示し、これは後の研究における物理発見のためのニューラルネットワーク統合の鍵であることを示す。
関連論文リスト
- Text2PDE: Latent Diffusion Models for Accessible Physics Simulation [7.16525545814044]
物理シミュレーションに潜時拡散モデルを適用する方法をいくつか紹介する。
提案手法は、現在のニューラルPDEソルバと、精度と効率の両面で競合することを示す。
スケーラブルで正確で使用可能な物理シミュレータを導入することで、ニューラルPDEソルバを実用化に近づけたいと思っています。
論文 参考訳（メタデータ） (2024-10-02T01:09:47Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - Evaluation of Differentially Constrained Motion Models for Graph-Based
Trajectory Prediction [1.1947990549568765]
本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。
この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
論文 参考訳（メタデータ） (2023-04-11T10:15:20Z) - Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。
2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
論文 参考訳（メタデータ） (2022-09-27T17:36:26Z) - On the balance between the training time and interpretability of neural
ODE for time series modelling [77.34726150561087]
本稿は,現代のニューラルODEを,時系列モデリングアプリケーションのためのより単純なモデルに還元することはできないことを示す。
ニューラルODEの複雑さは、従来の時系列モデリングツールと比較されるか、超える。
本稿では,ニューラルネットワークとODEシステムを用いた時系列モデリングの新しい視点を提案する。
論文 参考訳（メタデータ） (2022-06-07T13:49:40Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Interfacing Finite Elements with Deep Neural Operators for Fast
Multiscale Modeling of Mechanics Problems [4.280301926296439]
本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。
DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。
精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-25T20:46:08Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Using Differentiable Programming for Flexible Statistical Modeling [0.0]
微分可能プログラミングは近年、コンピュータプログラムの勾配を取るためのパラダイムとして多くの関心を集めている。
微分可能プログラミングがモデルの自動微分による単純な勾配に基づく最適化をいかに実現できるかを示す。
これにより、より単純なベンチマークモデルを上回る時間的プレッシャー下でモデルをすばやくプロトタイプすることができます。
論文 参考訳（メタデータ） (2020-12-07T12:33:49Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。