論文の概要: Neurons for Neutrons: A Transformer Model for Computation Load Estimation on Domain-Decomposed Neutron Transport Problems

• arxiv url: http://arxiv.org/abs/2411.03389v2
• Date: Fri, 08 Nov 2024 00:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 11:36:02.196370
• Title: Neurons for Neutrons: A Transformer Model for Computation Load Estimation on Domain-Decomposed Neutron Transport Problems
• Title（参考訳）: 中性子のニューロン: 領域分解中性子輸送問題に対する計算負荷推定のための変圧器モデル
• Authors: Alexander Mote, Todd Palmer, Lizhong Chen,
• Abstract要約: 本稿では, 独自の3次元入力埋め込みを持つトランスフォーマーモデルと, 領域分解中性子輸送問題のための入力表現を提案する。 本研究では,ドメイン分割型小型モジュールリアクタ(SMR)シミュレーションでトレーニングしたモデルが98.2%の精度を実現し,小型シミュレーションのステップを完全にスキップできることを実証する。
• 参考スコア（独自算出の注目度）: 48.35237609036802
• License:
• Abstract: Domain decomposition is a technique used to reduce memory overhead on large neutron transport problems. Currently, the optimal load-balanced processor allocation for these domains is typically determined through small-scale simulations of the problem, which can be time-consuming for researchers and must be repeated anytime a problem input is changed. We propose a Transformer model with a unique 3D input embedding, and input representations designed for domain-decomposed neutron transport problems, which can predict the subdomain computation loads generated by small-scale simulations. We demonstrate that such a model trained on domain-decomposed Small Modular Reactor (SMR) simulations achieves 98.2% accuracy while being able to skip the small-scale simulation step entirely. Tests of the model's robustness on variant fuel assemblies, other problem geometries, and changes in simulation parameters are also discussed.
• Abstract（参考訳）: ドメイン分解(Domain decomposition)は、大きな中性子輸送問題におけるメモリオーバーヘッドを低減する技術である。 現在、これらの領域に対する最適な負荷バランスプロセッサ割り当ては、典型的には、問題の小規模シミュレーションによって決定される。 本研究では, 中性子輸送問題に対して, 小型シミュレーションにより生成したサブドメイン計算負荷を予測可能な, 独自の3次元入力埋め込みと入力表現を備えたトランスフォーマーモデルを提案する。 本研究では,ドメイン分割型小型モジュールリアクタ(SMR)シミュレーションでトレーニングしたモデルが98.2%の精度を実現し,小型シミュレーションのステップを完全にスキップできることを実証する。 また, 可変燃料集合体, その他の問題測度, およびシミュレーションパラメータの変化に対するモデルの堅牢性についても検討した。

関連論文リスト

• Scalable Transformer for PDE Surrogate Modeling [9.438207505148947]
  Transformerは偏微分方程式(PDE)の代理モデリングのための有望なツールとして登場した。 本稿では, 軸因子化カーネル積分に基づくFactFormer(FactFormer)を提案する。 提案モデルでは,2Dコルモゴロフフローを256時間256ドルグリッドと3Dスモーク浮力で644時間64時間64ドルグリッドでシミュレートでき,精度と効率がよいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T19:23:00Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Residual Neural Networks for the Prediction of Planetary Collision Outcomes [0.0]
  N体惑星形成シミュレーションにおいて,衝突の迅速かつ正確な処理を行う機械学習(ML)モデルを提案する。 我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。 我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
  論文  参考訳（メタデータ） (2022-10-09T12:42:43Z)
• REMuS-GNN: A Rotation-Equivariant Model for Simulating Continuum Dynamics [0.0]
  本稿では,連続体力学系をシミュレーションする回転同変マルチスケールモデルREMuS-GNNを紹介する。 楕円円柱まわりの非圧縮性流れについて,本手法の実証と評価を行った。
  論文  参考訳（メタデータ） (2022-05-05T16:20:37Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
  我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。 このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。 このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
  論文  参考訳（メタデータ） (2021-06-01T08:46:04Z)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)
• End-to-end neural network approach to 3D reservoir simulation and adaptation [0.0]
  貯留層シミュレーションと適応問題に対する統一的なアプローチを提示する。 単一のニューラルネットワークモデルは、3D貯留層モデルの初期地質パラメータから前方通過を可能にする。 提案手法は,数桁のシミュレーション速度アップの利点を生かして,正確な貯留層シミュレーションと履歴マッチングを提供する。
  論文  参考訳（メタデータ） (2021-02-20T10:03:45Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。