文献

J-GLOBAL ID：202002253374198492   整理番号：20A0525909

カオス力学系をモデル化するための生成的敵対ネットワークにおける統計的制約の強制【JST・京大機械翻訳】

Enforcing statistical constraints in generative adversarial networks for modeling chaotic dynamical systems

著者 (6件)： Wu Jin-Long (Kevin T. Crofton Department of Aerospace and Ocean Engineering, Virginia Tech, Blacksburg, VA 24060, USA) ,  Kashinath Karthik (Lawrence Berkeley National Laboratory, Berkeley, CA 94720, USA) ,  Albert Adrian (Lawrence Berkeley National Laboratory, Berkeley, CA 94720, USA) ,  Chirila Dragos (Alfred Wegener Institute, Helmholtz Centre for Polar and Marine Research (AWI), Bremerhaven, Germany) ,  Prabhat (Lawrence Berkeley National Laboratory, Berkeley, CA 94720, USA) ,  Xiao Heng (Kevin T. Crofton Department of Aerospace and Ocean Engineering, Virginia Tech, Blacksburg, VA 24060, USA)
資料名： Journal of Computational Physics  (Journal of Computational Physics)
巻： 406  ページ： Null  発行年： 2020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： 複雑な物理的システムのシミュレーションには,完全に解くことができない多重スケール物理の存在により,いくつかのクロージャを伴う偏微分方程式(PDEs)の解がしばしば含まれる。高性能コンピューティングの進歩により,小規模物理学の解決が可能になったが,そのようなシミュレーションは依然として非常に高価である。したがって,未解決の物理に対する信頼できる正確な閉鎖モデルは,多くの計算物理学問題,例えば乱流シミュレーションに対する重要な要求事項である。最近,いくつかの研究者は,これらのPDEsを数値的に解くことなくPDEsに支配された複雑なシステムの解を生成するために,訓練機械学習モデルの新しいパラダイムとして,生成された敵ネットワーク(Gans)を採用している。しかし,Gansは訓練において困難であることが知られており,生成したサンプルが訓練データの真の統計を捉えないような局所最小値に収束する可能性がある。本研究では,完全に分解されたPDEsを解くことにより生成された訓練データの統計を獲得するために,訓練データからの共分散の制約を強制することにより,統計的に制約された生成敵ネットワークを提示した。そのような統計的正則化は,(1)システムの特定の物理的性質をより忠実にエミュレートするための制約モデルの能力,(2)解に到達するための訓練時間の大幅な削減(最大80%)によって測定される標準的なGansと比較してより良い性能をもたらすことを示した。地球大気の理想化モデルである乱流系であるRayleigh-Benard対流に関するこのアプローチを実証した。物理的システムの高忠実度シミュレーションデータベースの成長により,本研究は,多重スケール物理システム,例えば乱流または地球気候のシミュレーションにおける不確実性の主要な源であることが知られている未解決の物理学に対するクロージャまたはパラメータ化の明示的モデリングに対する大きな可能性を示唆している。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 機械学習 ,  *ネットワーク ,  地球 ,  クロージャ ,  偏微分方程式 ,  乱流 ,  正則化 ,  エミュレーション ,  気候 ,  不確実性 ,  共分散 ,  パラメタリゼーション ,  Rayleigh-Benard対流 ,  学習モデル
準シソーラス用語： 訓練データ , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  生成的敵対ネットワーク ,  統計的制約 ,  偏微分方程式 ,  Rayleigh-Benard対流

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (6件)： カオス力学 ,  モデル化 ,  敵対 ,  統計 ,  制約 ,  強制