論文の概要: Adaptive surrogate modeling for high-dimensional spatio-temporal output

• arxiv url: http://arxiv.org/abs/2608.17250v1
• Date: Tue, 18 Aug 2026 01:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.17591
• Title: Adaptive surrogate modeling for high-dimensional spatio-temporal output
• Title（参考訳）: 高次元時空間出力に対する適応的代理モデル
• Abstract要約: 本稿では,高次元時間出力問題に対する適応的代理モデル手法を提案する。 代理モデルの適応的改善のために,新しいトレーニングポイントが同定される。 ガスタービンエンジンブレードの熱力学的解析を用いて, 提案手法の適用性について検討した。
• 参考スコア（独自算出の注目度）: 1.4680035572775534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper develops an adaptive surrogate modeling method for problems with very high-dimensional spatio-temporal outputs. The analysis of spatio-temporal multi-physics systems is computationally expensive and consists of a large number of inputs and outputs. Surrogate models are often constructed to replace the physics-based model to achieve computational efficiency in analyses such as uncertainty quantification and optimization that require many function calls. In order to address the challenge introduced by the high dimensionality of spatio-temporal output, a dimension reduction method is first employed to map the high-dimensional output to a low-dimensional latent space. This is followed by the construction of the surrogate model in the low-dimensional space. The prediction error in the original space, which includes both the reconstruction error and surrogate model error, is evaluated using different error metrics. Based on the prediction accuracy of the surrogate model, new training points are identified for adaptive improvement of the surrogate model. We present a novel adaptive sampling technique that combines exploration and exploitation to improve the surrogate model accuracy with the fewest possible runs of the expensive physics-based model. Thermo-mechanical analysis of a gas turbine engine blade is used to analyze the effectiveness of the proposed method.
• Abstract（参考訳）: 本稿では,超高次元時空間出力問題に対する適応的代理モデリング手法を提案する。 時空間多物理系の解析は計算コストが高く、多くの入力と出力から構成される。 サーロゲートモデルは、多くの関数呼び出しを必要とする不確実性定量化や最適化のような分析において計算効率を達成するために、物理ベースのモデルを置き換えるためにしばしば構築される。 時空間出力の高次元性によってもたらされる課題に対処するために、まず高次元出力を低次元潜在空間にマッピングするために次元還元法を用いる。 この後、低次元空間における代理モデルの構築が続く。 再構成誤差と代理モデル誤差の両方を含む元の空間における予測誤差を、異なる誤差指標を用いて評価する。 代理モデルの予測精度に基づいて、代理モデルの適応的改善のために新しい訓練点を同定する。 本稿では,探索と搾取を組み合わせた新しい適応サンプリング手法を提案する。 提案手法の有効性を解析するために, ガスタービンエンジンブレードの熱力学的解析を行った。

関連論文リスト

• Neural Network-Based Parametric Model Reduction for Predicting Turbulent Flow for Different Vehicle Geometries [0.0]
  本研究では,多車体まわりの高レイノルズ数流のロバスト性を評価するために,変分オートエンコーダを用いた。 具体的には,異なる空間スケールと時間スケールで渦発生の再現精度を評価する。
  論文  参考訳（メタデータ） (2026-06-23T07:51:53Z)
• Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification [53.763212981479455]
  本稿では、構造と解の両方の観点から、デュアルサイド検証(Opt-Verifier)を用いた新しいフレームワークを提案する。 一般的なベンチマーク実験により、我々の手法は精度が20%以上向上していることが示された。
  論文  参考訳（メタデータ） (2026-05-28T08:09:52Z)
• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• Bayesian Model Parameter Learning in Linear Inverse Problems: Application in EEG Focal Source Imaging [49.1574468325115]
  逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。 未知の非線形モデルパラメータを含む線形逆問題について検討した。 ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
  論文  参考訳（メタデータ） (2025-01-07T18:14:24Z)
• Sensitivity analysis using the Metamodel of Optimal Prognosis [0.0]
  仮想プロトタイピングプロセス内の実例では、物理モデルの複雑さを減らすことは必ずしも不可能である。 本稿では,実際の問題に対して最適なメタモデルを選択するための自動アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-07T07:09:06Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• Application of probabilistic modeling and automated machine learning framework for high-dimensional stress field [1.073039474000799]
  本稿では,入力のような高次元画像を高次元あるいはその重要な統計量の出力にマッピングするエンド・ツー・エンドのアプローチを提案する。 a) 高次元空間から低次元空間への入力と出力を減少または低次元空間へ、b)低次元空間における入力と出力の関係をモデル化し、c) マスクとしてドメイン固有の物理的制約を組み込むことを可能にした。
  論文  参考訳（メタデータ） (2023-03-15T13:10:58Z)
• Generalised Latent Assimilation in Heterogeneous Reduced Spaces with Machine Learning Surrogate Models [10.410970649045943]
  我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。 一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2022-04-07T15:13:12Z)
• Surrogate Models for Optimization of Dynamical Systems [0.0]
  本稿では,低次元サロゲートモデルを構築するためのスマートデータ駆動機構を提供する。 これらの代理モデルは、複雑な最適化問題の解の計算時間を短縮する。
  論文  参考訳（メタデータ） (2021-01-22T14:09:30Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。