論文の概要: Sequential decoder training for improved latent space dynamics identification

• arxiv url: http://arxiv.org/abs/2510.03535v1
• Date: Fri, 03 Oct 2025 22:10:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.096984
• Title: Sequential decoder training for improved latent space dynamics identification
• Title（参考訳）: 遅延空間ダイナミクス同定のための逐次デコーダ訓練
• Authors: William Anderson, Seung Whan Chung, Youngsoo Choi,
• Abstract要約: 我々は、追加のデコーダを逐次学習することで、再構築と予測の精度を向上させるフレームワークmLaを紹介する。 1D-1V ブラソフ方程式に適用すると、mLa は標準 La を一貫して上回り、予測誤差を低くし、訓練時間を短縮する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate numerical solutions of partial differential equations are essential in many scientific fields but often require computationally expensive solvers, motivating reduced-order models (ROMs). Latent Space Dynamics Identification (LaSDI) is a data-driven ROM framework that combines autoencoders with equation discovery to learn interpretable latent dynamics. However, enforcing latent dynamics during training can compromise reconstruction accuracy of the model for simulation data. We introduce multi-stage LaSDI (mLaSDI), a framework that improves reconstruction and prediction accuracy by sequentially learning additional decoders to correct residual errors from previous stages. Applied to the 1D-1V Vlasov equation, mLaSDI consistently outperforms standard LaSDI, achieving lower prediction errors and reduced training time across a wide range of architectures.
• Abstract（参考訳）: 偏微分方程式の正確な数値解は多くの科学分野において必須であるが、計算に高価な解法を必要とし、低次モデル(ROM)を動機付けている。 LaSDI(Latent Space Dynamics Identification)は、自動エンコーダと方程式発見を組み合わせたデータ駆動ROMフレームワークである。 しかし、トレーニング中に潜在力学を強制することは、シミュレーションデータに対するモデルの再構成精度を損なう可能性がある。 複数段のLaSDI(Multi-stage LaSDI)を導入し,デコーダを逐次学習し,前段からの残差誤差を補正することで,復元精度と予測精度を向上させる。 1D-1VのVlasov方程式に適用すると、mLaSDIは標準のLaSDIよりも一貫して優れ、予測誤差が低くなり、幅広いアーキテクチャでトレーニング時間が短縮される。

関連論文リスト

• mLaSDI: Multi-stage latent space dynamics identification [0.0]
  近年,データ駆動型非侵入型ROMフレームワークとしてLatent Space Dynamics Identificationが提案されている。 マルチステージラテント・スペース・ダイナミクス同定(mLa)を提案する。 また,mLaを小さなオートエンコーダに適用すると,予測誤差や再構成誤差が小さくなり,Laと比較してトレーニング時間が短縮されることがわかった。
  論文  参考訳（メタデータ） (2025-06-10T19:57:35Z)
• Parametric Taylor series based latent dynamics identification neural networks [0.3139093405260182]
  非線形力学の新しい潜在的同定法であるP-TLDINetを導入する。 これはテイラー級数展開とResNetsに基づく新しいニューラルネットワーク構造に依存している。
  論文  参考訳（メタデータ） (2024-10-05T15:10:32Z)
• A Comprehensive Review of Latent Space Dynamics Identification Algorithms for Intrusive and Non-Intrusive Reduced-Order-Modeling [0.20742830443146304]
  我々は、PDEによって支配される高忠実度データを、通常の微分方程式(ODE)によって支配される単純で低次元のデータに変換する、Lalatent Space Dynamics Identification (La)と呼ばれるフレームワークに焦点を当てる。 Laのビルディングブロックはアプリケーションによって簡単に変更できるため、Laフレームワークの柔軟性は高い。 本研究では, バーガース方程式, 非線形熱伝導問題, プラズマ物理問題に対するLaアプローチの性能を実証し, ラアルゴリズムが相対誤差を数パーセント以下で, 数千倍の高速化を達成可能であることを示した。
  論文  参考訳（メタデータ） (2024-03-16T00:45:06Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics Identification [0.5249805590164902]
  物理インフォームド・グレディ・ラテント・スペース・ダイナミクス同定法(gLa)を提案する。 インタラクティブなトレーニングアルゴリズムがオートエンコーダとローカルDIモデルに採用され、単純な潜在空間のダイナミクスを識別できる。 提案手法の有効性は, 様々な非線形力学問題をモデル化することによって実証される。
  論文  参考訳（メタデータ） (2022-04-26T00:15:46Z)
• 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。