論文の概要: Adapting neural operators for mechanics decisions under changing operating conditions

• arxiv url: http://arxiv.org/abs/2609.33978v1
• Date: Sun, 27 Sep 2026 22:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 08:08:51.318554
• Title: Adapting neural operators for mechanics decisions under changing operating conditions
• Title（参考訳）: 動作条件変化時の機械的決定に対するニューラル演算子の適用
• Abstract要約: 使用中に取得した高忠実性溶液は、ニューラル演算子に適応するために再利用することができる。 2つの強磁性軟質材料システムは、高忠実度有限要素モデル(FE)を用いてシミュレーションされる。 その結果、高忠実性ローディングパスの再利用は、神経オペレーターの有用な操作範囲を拡大できることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural operators can accelerate repeated nonlinear mechanics calculations, but their accuracy can deteriorate as operating conditions move beyond the training range. This work studies whether high-fidelity solutions acquired during use can be reused to adapt a neural operator and improve subsequent mechanics-based command selection. Two hard-magnetic soft-material systems are simulated using high-fidelity finite-element (FE) models, providing reference solutions for evaluating surrogate predictions and selected commands. A neural operator predicts deformation from known material, loading, and magnetic-field inputs, while an empirical error estimator determines which predictions may be used for command selection. Selected FE evaluations supplement these predictions, and their complete loading paths are retained for periodic updates of the neural operator and estimator. In both examples, the fixed operator loses substantial accuracy when stiffness and loading move outside the training range. Updates using 16 acquired paths recover much of the lost accuracy while preserving accuracy in the nominal regime. Under the same FE evaluation budget, the updated operators also improve command selection, although the benefit varies with the operating condition. Error estimation is less consistent, with inaccurate predictions sometimes accepted and accurate predictions rejected. These results demonstrate that reusing high-fidelity loading paths can extend the useful operating range of a neural operator. However, improved forward accuracy alone does not guarantee reliable prediction acceptance, highlighting prediction-specific error assessment as a separate requirement for trustworthy decision making.
• Abstract（参考訳）: ニューラル演算子は繰り返し非線形力学計算を加速することができるが、動作条件がトレーニング範囲を超えると精度が低下する。 この研究は、使用中に取得した高忠実性解が、ニューラル演算子に適応し、その後のメカニクスに基づくコマンド選択を改善するために再利用できるかどうかを研究する。 2つの強磁性ソフトマテリアルシステムは高忠実度有限要素モデルを用いてシミュレーションし、代理予測と選択されたコマンドを評価するための参照ソリューションを提供する。 ニューラルネットワークは既知の材料、負荷、磁場入力からの変形を予測し、経験的誤差推定器はコマンド選択にどの予測を使用するかを決定する。 選択されたFE評価はこれらの予測を補完し、その完全なロードパスは神経オペレータと推定器の定期的な更新のために保持される。 どちらの例も、剛性と荷重がトレーニング範囲外に移動すると、固定演算子はかなりの精度を失う。 16の取得したパスを使用した更新は、名目体制の精度を維持しながら、失われた精度の多くを回復する。 同じFE評価予算の下では、更新されたオペレータはコマンドの選択も改善するが、その利点は操作条件によって異なる。 誤り推定は一貫性が低く、不正確な予測は時に受け入れられ、正確な予測は拒否される。 これらの結果から、高忠実性負荷経路の再利用は、神経オペレーターの有用な操作範囲を拡大できることが示された。 しかし、事前精度の向上だけでは、信頼性の高い予測受理を保証せず、信頼性の高い意思決定のための別の要件として、予測固有のエラー評価を強調している。

関連論文リスト

• Randomized neural operator for parametric PDEs with fast training and conformal uncertainty quantification [47.720075875232226]
  我々は,PCAに基づく次元還元と固定ランダム特徴を組み合わせたニューラル演算子であるPCA-RaNNを紹介する。 演算子学習を固定回帰として再キャストし、遅延回帰を3桁まで削減する。
  論文  参考訳（メタデータ） (2026-06-28T15:02:26Z)
• Debiased neural operators for estimating functionals [55.79111577184338]
  本稿では,ニューラル演算子から得られる解軌跡の定量化のための半値推定器であるDOPEを紹介する。 DOPEとは対照的に、単純なプラグイン推定は1次バイアスに悩まされる可能性がある。 そこで我々は, ニューラル作用素を関数空間間の高次元ニュアンスマッピングとして扱う新しい一段階, ニーマン直交推定器を導出した。
  論文  参考訳（メタデータ） (2026-04-21T10:02:36Z)
• Deep set based operator learning with uncertainty quantification [14.436821529642893]
  組込み不確実性定量化(UQ)を用いた置換不変演算子学習フレームワークUQ-SONetを提案する。 本モデルでは,スパースおよび可変センサ位置を扱うためにセットトランスフォーマーを組込み,条件変分オートエンコーダ(cVAE)を用いて解演算子の条件分布を近似する。
  論文  参考訳（メタデータ） (2025-09-30T01:36:18Z)
• Beyond Binary Rewards: Training LMs to Reason About Their Uncertainty [59.97939500426759]
  本稿ではRLCRについて述べる。RLCRは精度と信頼性を共同で向上する推論モデルを訓練する手法である。 多様なデータセット間で、RLCRは精度を損なうことなくキャリブレーションを大幅に改善することを示す。 また,言語的信頼度をテスト時に活用し,精度とキャリブレーションを向上させることも実証した。
  論文  参考訳（メタデータ） (2025-07-22T17:56:01Z)
• Error-Driven Uncertainty Aware Training [7.702016079410588]
  Error-Driven Uncertainty Aware Trainingは、ニューラル分類器が不確実性を正確に推定する能力を高めることを目的としている。 EUATアプローチは、モデルのトレーニングフェーズ中に、トレーニング例が正しく予測されているか、あるいは正しく予測されているかによって、2つの損失関数を選択的に使用することによって機能する。 画像認識領域における多様なニューラルモデルとデータセットを用いてEUATを評価する。
  論文  参考訳（メタデータ） (2024-05-02T11:48:14Z)
• Residual-Based Error Corrector Operator to Enhance Accuracy and Reliability of Neural Operator Surrogates of Nonlinear Variational Boundary-Value Problems [0.0]
  この研究は、ニューラル作用素を介してパラメトリック偏微分方程式のクラスの解作用素を近似する手法の開発に焦点をあてる。 ニューラルネットワークの精度の予測不可能さは、推論、最適化、制御の下流問題における彼らの応用に影響を与える。
  論文  参考訳（メタデータ） (2023-06-21T06:30:56Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)

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。