文献

J-GLOBAL ID：201802238388556206   整理番号：18A0344103

雑音多重忠実度データを用いた微分方程式の解を推論する【Powered by NICT】

Inferring solutions of differential equations using noisy multi-fidelity data

著者 (3件)： Raissi Maziar (Division of Applied Mathematics, Brown University, Providence, RI, USA) ,  Perdikaris Paris (Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA) ,  Karniadakis George Em (Division of Applied Mathematics, Brown University, Providence, RI, USA)
資料名： Journal of Computational Physics  (Journal of Computational Physics)
巻： 335  ページ： 736-746  発行年： 2017年 
JST資料番号： B0860A  ISSN： 0021-9991  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 二以上の何世紀もの間,微分方程式の解は良設定問題のための典型的に良好な強制と境界条件に基づいて解析的にまたは数値的に得られた。確率論的機械学習と微分方程式の間の界面を確立することにより基本的な方法でこのパラダイムを変化させている。対応する積分微分演算子に合わせたGauss過程事前分布を用いた一般線形方程式のためのデータ駆動型アルゴリズムを開発した。オブザーバブルはドメイン境界上にあることが必要ではないことを強制と解のための少ない雑音多重忠実度データである。得られた予測事後分布は不確実性を定量化し,自然に能動学習による適応解も微細化した。この一般的フレームワークは,数値離散化の暴虐と同様に時間積分の一貫性と安定性の問題を回避し,高次元にスケーラブルである。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *微分方程式 ,  高次元 ,  *雑音 ,  確率論 ,  機械学習 ,  積分 ,  Gauss過程 ,  オブザーバブル ,  不確実性 ,  境界条件 ,  一次方程式 ,  *多重化 ,  アルゴリズム
準シソーラス用語： 能動学習 ,  事後分布 , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習 ,  積分微分方程式 ,  多重忠実度モデリング ,  不確実性定量化

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (6件)： 雑音 ,  多重 ,  忠実度 ,  微分方程式 ,  解 ,  推論