論文の概要: A Streaming Sparse Cholesky Method for Derivative-Informed Gaussian Process Surrogates Within Digital Twin Applications

• arxiv url: http://arxiv.org/abs/2511.00366v1
• Date: Sat, 01 Nov 2025 02:20:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.742666
• Title: A Streaming Sparse Cholesky Method for Derivative-Informed Gaussian Process Surrogates Within Digital Twin Applications
• Title（参考訳）: 導電性インフォームドガウス過程に対するストリーミングスパースコレスキー法
• Authors: Krishna Prasath Logakannan, Shridhar Vashishtha, Jacob Hochhalter, Shandian Zhe, Robert M. Kirby,
• Abstract要約: デジタル双生児は、特定の物理的資産(または双生児)の挙動をモデル化する。 それらは高忠実度物理学に基づくモデルやサロゲートから構成される。 特定の物理双生児に適応するためには、デジタル双生児モデルは、その物理双生児のサービス内データを使用して更新する必要がある。
• 参考スコア（独自算出の注目度）: 13.47464152775253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital twins are developed to model the behavior of a specific physical asset (or twin), and they can consist of high-fidelity physics-based models or surrogates. A highly accurate surrogate is often preferred over multi-physics models as they enable forecasting the physical twin future state in real-time. To adapt to a specific physical twin, the digital twin model must be updated using in-service data from that physical twin. Here, we extend Gaussian process (GP) models to include derivative data, for improved accuracy, with dynamic updating to ingest physical twin data during service. Including derivative data, however, comes at a prohibitive cost of increased covariance matrix dimension. We circumvent this issue by using a sparse GP approximation, for which we develop extensions to incorporate derivatives. Numerical experiments demonstrate that the prediction accuracy of the derivative-enhanced sparse GP method produces improved models upon dynamic data additions. Lastly, we apply the developed algorithm within a DT framework to model fatigue crack growth in an aerospace vehicle.
• Abstract（参考訳）: デジタル双生児は、特定の物理的資産(または双生児)の挙動をモデル化するために開発され、高忠実度物理学に基づくモデルやサロゲートから構成される。 高精度なサロゲートは、リアルタイムに物理双対の将来の状態を予測できるため、マルチ物理モデルよりも好まれる。 特定の物理双生児に適応するためには、デジタル双生児モデルは、その物理双生児のサービス内データを使用して更新する必要がある。 ここでは、ガウス過程(GP)モデルを拡張し、導関数データを含むようにして精度を向上し、サービス中の物理双対データを動的に更新する。 しかし、微分データを含めると、共分散行列次元が増加するという禁止的なコストが伴う。 我々は、微分を組み込む拡張を開発するスパースGP近似を用いてこの問題を回避する。 数値実験により, 導出したスパースGP法の予測精度は, 動的データ付加によるモデルの改善が示されている。 最後に,航空機の疲労き裂進展をモデル化するために,DTフレームワーク内に開発したアルゴリズムを適用した。

関連論文リスト

• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• 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)
• Enhanced multi-fidelity modelling for digital twin and uncertainty quantification [0.0]
  データ駆動モデルは、リアルタイムのアップデートと予測を可能にするデジタルツインにおいて重要な役割を果たす。 利用可能なデータの忠実さと正確なセンサーデータの不足は、しばしば代理モデルの効率的な学習を妨げる。 本稿では,ロバストなマルチフィデリティ・サロゲートモデルの開発から始まる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-26T05:58:17Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Probabilistic machine learning based predictive and interpretable digital twin for dynamical systems [0.0]
  ディジタルツインを更新するための2つのアプローチが提案されている。 どちらの場合も、更新されたデジタル双生児の表現は同一である。 提案手法は、ディジタル双対モデルにおける摂動の正確な説明を提供する。
  論文  参考訳（メタデータ） (2022-12-19T04:25:59Z)
• Digital Twin Data Modelling by Randomized Orthogonal Decomposition and Deep Learning [0.0]
  デジタルツインは、元のプロセスの振る舞いを反映する主な特徴を持つ代理モデルである。 本稿では,流体の効率的なディジタル双対モデルを作成するための新しい枠組みを提案する。 我々は、最先端の人工知能Deep Learning(DL)を用いて、ディジタルツインモデルのリアルタイム適応キャリブレーションを行う。
  論文  参考訳（メタデータ） (2022-06-17T09:45:04Z)
• 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)

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。