論文の概要: Explorable INR: An Implicit Neural Representation for Ensemble Simulation Enabling Efficient Spatial and Parameter Exploration
- arxiv url: http://arxiv.org/abs/2504.00904v1
- Date: Tue, 01 Apr 2025 15:33:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 13:18:29.298310
- Title: Explorable INR: An Implicit Neural Representation for Ensemble Simulation Enabling Efficient Spatial and Parameter Exploration
- Title（参考訳）: 探索可能なINR:効率的な空間探索とパラメータ探索を実現するアンサンブルシミュレーションのための暗黙的ニューラルネットワーク表現
- Authors: Yi-Tang Chen, Haoyu Li, Neng Shi, Xihaier Luo, Wei Xu, Han-Wei Shen,
- Abstract要約: 現在のサロゲートモデルは、ポイントまたはリージョンベースの予測の柔軟性に欠ける。
暗黙的ニューラル表現に基づくサーロゲートモデルであるExplorable INRを提案する。
本研究では,空間探索とパラメータ探索を併用したExplorable INRにより,計算とメモリコストを大幅に削減できることを実証する。
- 参考スコア（独自算出の注目度）: 25.58241100888983
- License:
- Abstract: With the growing computational power available for high-resolution ensemble simulations in scientific fields such as cosmology and oceanology, storage and computational demands present significant challenges. Current surrogate models fall short in the flexibility of point- or region-based predictions as the entire field reconstruction is required for each parameter setting, hence hindering the efficiency of parameter space exploration. Limitations exist in capturing physical attribute distributions and pinpointing optimal parameter configurations. In this work, we propose Explorable INR, a novel implicit neural representation-based surrogate model, designed to facilitate exploration and allow point-based spatial queries without computing full-scale field data. In addition, to further address computational bottlenecks of spatial exploration, we utilize probabilistic affine forms (PAFs) for uncertainty propagation through Explorable INR to obtain statistical summaries, facilitating various ensemble analysis and visualization tasks that are expensive with existing models. Furthermore, we reformulate the parameter exploration problem as optimization tasks using gradient descent and KL divergence minimization that ensures scalability. We demonstrate that the Explorable INR with the proposed approach for spatial and parameter exploration can significantly reduce computation and memory costs while providing effective ensemble analysis.
- Abstract（参考訳）: 宇宙学や海洋学などの科学分野における高解像度アンサンブルシミュレーションのための計算能力の増大により、貯蔵と計算の要求は大きな課題を呈している。
現在のサロゲートモデルは、各パラメータ設定に全フィールド再構成が必要であるため、点または領域ベースの予測の柔軟性に欠けており、パラメータ空間探索の効率を損なう。
物理属性分布のキャプチャと最適パラメータ構成のピンポイントに制限がある。
本研究では,新しい暗黙的ニューラル表現に基づくサロゲートモデルであるExplorable INRを提案する。
さらに,空間探索の計算的ボトルネックに対処するために,探索可能なINRによる不確実性伝播のための確率的アフィン形式 (PAF) を用いて,既存のモデルで高価な様々なアンサンブル解析や可視化作業を容易にする。
さらに,パラメータ探索問題を勾配降下とKL分散最小化を用いて最適化タスクとして再構成し,拡張性を確保する。
本研究では,空間探索とパラメータ探索を併用したExplorable INRにより,効率的なアンサンブル解析を行いながら,計算とメモリコストを大幅に削減できることを実証する。
関連論文リスト
- Decentralized Inference for Spatial Data Using Low-Rank Models [4.168323530566095]
本稿では,空間的低ランクモデルにおけるパラメータ推論に適した分散化フレームワークを提案する。
重要な障害は、観測中の空間的依存から生じ、ログのような状態が要約として表現されるのを防ぐ。
提案手法では,効率的なパラメータ最適化のために,マルチセンサと動的コンセンサス平均化を統合したブロック降下法を用いる。
論文 参考訳（メタデータ） (2025-02-01T04:17:01Z) - SurroFlow: A Flow-Based Surrogate Model for Parameter Space Exploration and Uncertainty Quantification [17.175947741031674]
既存のディープラーニングベースのサロゲートモデルは、効率的なデータ生成を容易にするが、不確実な定量化、効率的なパラメータ空間探索、逆予測に不足する。
シミュレーションパラメータとシミュレーション出力の間の可逆変換を学習するために,フローベースサロゲートモデルを正規化した新しいモデルであるSurroFlowを紹介した。
本フレームワークは,科学的サロゲートモデルの信頼性と探索能力を向上しつつ,計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2024-07-16T19:08:49Z) - Local Linear Recovery Guarantee of Deep Neural Networks at Overparameterization [3.3998740964877463]
局所線形リカバリ (LLR) は, 目標関数リカバリの弱い形式である。
より狭いDNNで表現可能な関数は、モデルパラメータよりも少ないサンプルから復元可能であることを証明した。
論文 参考訳（メタデータ） (2024-06-26T03:08:24Z) - A Metaheuristic for Amortized Search in High-Dimensional Parameter
Spaces [0.0]
本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。
DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。
実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
論文 参考訳（メタデータ） (2023-09-28T14:25:14Z) - Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。
既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。
提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文 参考訳（メタデータ） (2023-07-08T15:41:48Z) - Fast Exploration of the Impact of Precision Reduction on Spiking Neural
Networks [63.614519238823206]
ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。
我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
論文 参考訳（メタデータ） (2022-11-22T15:08:05Z) - GNN-Surrogate: A Hierarchical and Adaptive Graph Neural Network for
Parameter Space Exploration of Unstructured-Mesh Ocean Simulations [8.851780016570311]
本研究では,海洋気候シミュレーションのパラメータ空間を探索するグラフニューラルネットワークに基づく代理モデルを提案する。
GNN-Surrogateは与えられたシミュレーションパラメータで出力フィールドを予測する。
GNN-Surrogateの有効性と有効性を示すため,MPAS-Oceanシミュレーションの評価を行った。
論文 参考訳（メタデータ） (2022-02-18T01:51:09Z) - On Reward-Free RL with Kernel and Neural Function Approximations:
Single-Agent MDP and Markov Game [140.19656665344917]
エージェントが事前に特定された報酬関数を使わずに環境を徹底的に探索することを目的とした報酬のないRL問題について検討する。
関数近似の文脈でこの問題に取り組み、強力な関数近似器を活用する。
我々は、カーネルとニューラルファンクション近似器を用いた、証明可能な効率の良い報酬なしRLアルゴリズムを確立した。
論文 参考訳（メタデータ） (2021-10-19T07:26:33Z) - Robust Reconfigurable Intelligent Surfaces via Invariant Risk and Causal
Representations [55.50218493466906]
本稿では,データ分布の変化に伴うロバスト再構成可能なインテリジェントサーフェス(ris)システム設計の問題について検討する。
不変リスク最小化(IRM)の概念を用いて、複数の環境にまたがる不変因果表現を用いて、予測器が各環境に対して同時に最適となるようにする。
予測器を探すためにニューラルネットワークベースのソリューションを採用し、その性能は経験的リスク最小化に基づく設計に対するシミュレーションによって検証される。
論文 参考訳（メタデータ） (2021-05-04T21:36:31Z) - On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。
実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文 参考訳（メタデータ） (2020-10-06T11:47:20Z) - An Asymptotically Optimal Multi-Armed Bandit Algorithm and
Hyperparameter Optimization [48.5614138038673]
本稿では,高パラメータ探索評価のシナリオにおいて,SS (Sub-Sampling) と呼ばれる効率的で堅牢な帯域幅に基づくアルゴリズムを提案する。
また,BOSSと呼ばれる新しいパラメータ最適化アルゴリズムを開発した。
実験的な研究は、SSの理論的議論を検証し、多くのアプリケーションにおけるBOSSの優れた性能を実証する。
論文 参考訳（メタデータ） (2020-07-11T03:15:21Z)
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。