論文の概要: Probabilistic Super-Resolution for High-Fidelity Physical System Simulations with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2502.10280v1
• Date: Fri, 14 Feb 2025 16:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:47:43.675811
• Title: Probabilistic Super-Resolution for High-Fidelity Physical System Simulations with Uncertainty Quantification
• Title（参考訳）: 不確実性量子化による高忠実度物理系シミュレーションの確率論的超解法
• Authors: Pengyu Zhang, Connor Duffin, Alex Glyn-Davies, Arnaud Vadeboncoeur, Mark Girolami,
• Abstract要約: 超解像(SR)は、低分解能データから物理系の高忠実度シミュレーションを生成するための有望なツールである。 既存のディープラーニングベースのSR手法では、ラベル付きの大きなデータセットが必要であり、信頼性のある不確実性定量化(UQ)が欠如している。 本稿では,統計有限要素法とエネルギーベース生成モデルを利用した確率的SRフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.093444028715175
• License:
• Abstract: Super-resolution (SR) is a promising tool for generating high-fidelity simulations of physical systems from low-resolution data, enabling fast and accurate predictions in engineering applications. However, existing deep-learning based SR methods, require large labeled datasets and lack reliable uncertainty quantification (UQ), limiting their applicability in real-world scenarios. To overcome these challenges, we propose a probabilistic SR framework that leverages the Statistical Finite Element Method and energy-based generative modeling. Our method enables efficient high-resolution predictions with inherent UQ, while eliminating the need for extensive labeled datasets. The method is validated on a 2D Poisson example and compared with bicubic interpolation upscaling. Results demonstrate a computational speed-up over high-resolution numerical solvers while providing reliable uncertainty estimates.
• Abstract（参考訳）: 超解像(SR)は、低分解能データから物理系の高忠実度シミュレーションを生成するための有望なツールであり、工学的応用における高速かつ正確な予測を可能にする。 しかし、既存のディープラーニングベースのSR手法では、大きなラベル付きデータセットが必要であり、信頼性の高い不確実性定量化(UQ)が欠如しており、現実のシナリオにおける適用性を制限している。 これらの課題を克服するために,統計的有限要素法とエネルギーベース生成モデルを活用した確率的SRフレームワークを提案する。 提案手法は,広範囲なラベル付きデータセットの必要性を排除しつつ,固有UQによる高精度な予測を可能にする。 この手法は2次元ポアソンの例で検証され、バイコビック補間アップスケーリングと比較される。 その結果,高分解能数値解器の計算速度が向上し,信頼性の高い不確実性推定値が得られた。

関連論文リスト

• Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification [6.739642016124097]
  本稿では,SciML(SciML)と不確実性定量化(UQ)の両タスクの実行が可能な代理モデリング手法として,物理制約付きカオス展開を提案する。 提案手法は,SciMLをUQにシームレスに統合し,その逆で,SciMLタスクの不確かさを効果的に定量化し,SciMLを利用してUQ関連タスクにおける不確実性評価を改善する。
  論文  参考訳（メタデータ） (2024-02-23T06:04:15Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Uncertainty quantification for deep learning-based schemes for solving high-dimensional backward stochastic differential equations [5.883258964010963]
  深層学習に基づくBSDEスキームのクラスに対する不確実性定量化(UQ)について検討する。 アルゴリズムの単一実行のみを用いて近似解のSTDを効率的に推定するUQモデルを開発した。 数値実験により,UQモデルは近似解の平均とSTDの信頼性の高い推定値を生成することが示された。
  論文  参考訳（メタデータ） (2023-10-05T09:00:48Z)
• PSRFlow: Probabilistic Super Resolution with Flow-Based Models for Scientific Data [11.15523311079383]
  PSRFlowは、科学データ超解像のための新しい正規化フローベース生成モデルである。 以上の結果から,既存の手法と比較して,優れた性能とロバストな不確実性定量化が得られた。
  論文  参考訳（メタデータ） (2023-08-08T22:10:29Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• FEM-based Real-Time Simulations of Large Deformations with Probabilistic Deep Learning [1.2617078020344616]
  負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。 このフレームワークは、特殊な畳み込みニューラルネットワークアーキテクチャ(いわゆるU-Net)の形式を採っている。
  論文  参考訳（メタデータ） (2021-11-02T20:05:22Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)

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。