Addressing computational challenges in physical system simulations with machine learning

要約

この論文では、シミュレーションを利用してさまざまな物理システムやプロセスを調査する研究者を支援するために調整された機械学習ベースのデータ生成フレームワークを紹介します。
高い計算コストとその結果として得られる限られたデータは、これらのシステムやプロセスについての洞察を得る上で大きな課題となることがよくあります。
私たちのアプローチには 2 段階のプロセスが含まれます。最初に、限られたシミュレーション データセットを使用して教師あり予測モデルをトレーニングし、シミュレーション結果を予測します。
その後、教師ありモデルを活用して、正確なシミュレーションのようなデータを生成するように強化学習エージェントがトレーニングされます。
このフレームワークを使用すると、研究者は高度な計算シミュレーションを実行しなくても、より正確なデータを生成して結果を知ることができるため、パラメータ空間をより効率的に探索し、物理システムやプロセスについてより深い洞察を得ることができます。
提案されたフレームワークの有効性を、地震破壊物理学と新材料開発に焦点を当てた 2 つのケーススタディに適用することによって実証します。

要約(オリジナル)

In this paper, we present a machine learning-based data generator framework tailored to aid researchers who utilize simulations to examine various physical systems or processes. High computational costs and the resulting limited data often pose significant challenges to gaining insights into these systems or processes. Our approach involves a two-step process: initially, we train a supervised predictive model using a limited simulated dataset to predict simulation outcomes. Subsequently, a reinforcement learning agent is trained to generate accurate, simulation-like data by leveraging the supervised model. With this framework, researchers can generate more accurate data and know the outcomes without running high computational simulations, which enables them to explore the parameter space more efficiently and gain deeper insights into physical systems or processes. We demonstrate the effectiveness of the proposed framework by applying it to two case studies, one focusing on earthquake rupture physics and the other on new material development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google