論文の概要: A Data-Efficient Analytical Prior Machine Learning Framework for Sound Reduction Frequency Prediction in Helmholtz Resonators

• arxiv url: http://arxiv.org/abs/2608.16873v2
• Date: Tue, 18 Aug 2026 14:45:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 13:45:33.040307
• Title: A Data-Efficient Analytical Prior Machine Learning Framework for Sound Reduction Frequency Prediction in Helmholtz Resonators
• Title（参考訳）: ヘルムホルツ共振器における減音周波数予測のためのデータ効率の良い先行機械学習フレームワーク
• Abstract要約: 本研究では,限られた高忠実度シミュレーション予算の下でデータ効率を向上させるための分析的事前学習フレームワークを開発する。 このフレームワークは、86個のシミュレーションラベリングジオメトリと8,998個の非重複解析専用ジオメトリを用いて、長方形側分岐ヘルムホルツ共振器で評価される。 解析的補正と分析的事前訓練の両方が、直接学習に対するデータ効率を一貫して改善した。
• 参考スコア（独自算出の注目度）: 7.235244686137726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity finite-element simulations can provide accurate numerical predictions for side-branch resonators, but large simulation datasets are expensive to generate and purely data-driven surrogates may become unreliable when simulation-labelled data are scarce. This study develops an analytical-prior learning framework that reuses a low-cost analytical model to improve data efficiency under limited high-fidelity simulation budgets. Two complementary routes are considered. When the analytical model remains available at inference, it is retained as an explicit baseline and the simulation data are used to learn only the analytical-to-simulation discrepancy. When a self-contained predictor is required, the analytical mapping is first distilled from abundant low-cost evaluations into a learned prior and then calibrated with the limited simulation data. The framework is evaluated on rectangular side-branch Helmholtz resonators using 86 simulation-labelled geometries and 8,998 non-overlapping analytical-only geometries. The analytical model achieved a mean absolute error (MAE) of 1.333 Hz. Direct support vector regression (SVR) achieved 3.375 Hz, while residual SVR reduced the MAE to 0.426 Hz. A direct multilayer perceptron (MLP) achieved 1.109 Hz, whereas analytical-prior pretraining reduced the error to 0.556 Hz with frozen-prior residual adaptation and 0.371 Hz with full-model fine-tuning. Across training budgets of 20 to 70 simulation-labelled cases, both analytical correction and analytical-prior pretraining consistently improved data efficiency relative to direct learning. These results show that analytical prior information can substantially improve high-fidelity prediction when simulation data are scarce, with explicit correction and prior distillation serving complementary deployment needs.
• Abstract（参考訳）: 高忠実度有限要素シミュレーションは、サイドブランチ共振器の正確な数値予測を提供することができるが、大規模なシミュレーションデータセットは、データ駆動サロゲートを生成するのに高価であり、シミュレーションラベル付きデータが不足すると信頼性が低下する可能性がある。 本研究では,限られた高忠実度シミュレーション予算の下でデータ効率を向上させるために,低コストな解析モデルを再利用した分析優先学習フレームワークを開発する。 2つの補完ルートが検討されている。 解析モデルが推論時に利用可能である場合、明示的なベースラインとして保持され、シミュレーションデータを使用して解析とシミュレーションの相違のみを学習する。 自己完結予測器が必要な場合、分析マッピングは、まず、豊富な低コスト評価から学習前の学習に蒸留し、次に限られたシミュレーションデータで校正する。 このフレームワークは、86個のシミュレーションラベリングジオメトリと8,998個の非重複解析専用ジオメトリを用いて、長方形側分岐ヘルムホルツ共振器で評価される。 解析モデルは1.333Hzの平均絶対誤差(MAE)を達成した。 直接支援ベクトル回帰(SVR)は3.375Hz、残留SVRは0.426Hzまで低下した。 直接多層パーセプトロン (MLP) は1.109 Hzを達成したが、解析的事前訓練により、凍結予備残差適応による0.556 Hz、フルモデル微調整による0.371 Hzに誤差を低減した。 解析的補正と分析的事前訓練の両方で,20～70件のシミュレーションを併用した訓練予算は,直接学習に対するデータ効率を一貫して改善した。 これらの結果から, シミュレーションデータが少ない場合, 分析的事前情報により, 明示的な補正と先行蒸留により, 相補的な展開ニーズを満たすことにより, 高忠実度予測を大幅に改善できることが示唆された。

関連論文リスト

• Cross-simulator transfer with foundation model summaries: Towards robust SKA-era reionization inference [0.0]
  高速な近似シミュレータ上でラベルのない自己教師型ビジョントランスフォーマー(ViT)が,シミュレータ間で一般化可能な転送可能なデータ要約を生成することを示す。 再訓練なしでは、完全に異なるシミュレータから天体物理パラメータを推測するために冷凍エンコーダとして再利用することができる。
  論文  参考訳（メタデータ） (2026-08-26T19:37:18Z)
• A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
  本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。 生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:58:13Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Why Some Models Resist Unlearning: A Linear Stability Perspective [7.446140380340418]
  我々は線形コヒーレンス安定性のレンズを通してアンラーニングを行う。 我々は3つの軸に沿ってコヒーレンスを分解する。 データ特性と忘れやすさを更に関連付けるために,信号+雑音モデルの下で2層ReLU CNNについて検討する。 経験的幾何学では、ヘッセンテストとCNNヒートマップが予測境界と密接に一致していることを示し、安定性勾配に基づくアンラーニングを検証、混合、データ/モデルアライメントの関数としてマッピングする。
  論文  参考訳（メタデータ） (2026-02-03T01:47:26Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• metabeta - A fast neural model for Bayesian mixed-effects regression [22.95834831696185]
  混合効果回帰のためのトランスフォーマーベースニューラルネットワークモデルであるメタベタを提案する。 MCMCに基づくパラメータ推定は,通常要求される時間のごく一部で,安定かつ同等の性能に達することを示す。
  論文  参考訳（メタデータ） (2025-10-08T19:20:00Z)
• TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
  我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。 我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。 下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
  論文  参考訳（メタデータ） (2025-09-07T09:36:51Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)

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。