Generative Adversarial Reduced Order Modelling

要約

この作業では、Garomを提示します。Garomは、生成敵のネットワーク(GANS)に基づいて、注文モデリングを削減するための新しいアプローチ(ROM)を提示します。
GANは、データ分布を学習し、より現実的なデータを生成する可能性があります。
深い学習の多くの分野で広く適用されていますが、ROMのアプリケーションに関する研究はほとんど行われていません。つまり、高忠実度モデルをよりシンプルなモデルに近似しています。
この作業では、パラメトリック微分方程式のソリューションを学習できるデータ駆動型の生成敵対モデルを導入することにより、GANとROMフレームワークを組み合わせます。
後者は、差別装置ネットワークを自動エンコーダーとしてモデル化し、入力の関連する機能を抽出し、微分方程式パラメーターを指定するジェネレーターおよび判別器ネットワークに条件付けメカニズムを適用することで達成されます。
推論のために方法論を適用し、モデルの一般化の実験的証拠を提供し、メソッドの収束研究を実行する方法を示します。

要約(オリジナル)

In this work, we present GAROM, a new approach for reduced order modelling (ROM) based on generative adversarial networks (GANs). GANs have the potential to learn data distribution and generate more realistic data. While widely applied in many areas of deep learning, little research is done on their application for ROM, i.e. approximating a high-fidelity model with a simpler one. In this work, we combine the GAN and ROM framework, by introducing a data-driven generative adversarial model able to learn solutions to parametric differential equations. The latter is achieved by modelling the discriminator network as an autoencoder, extracting relevant features of the input, and applying a conditioning mechanism to the generator and discriminator networks specifying the differential equation parameters. We show how to apply our methodology for inference, provide experimental evidence of the model generalisation, and perform a convergence study of the method.

arxiv情報

著者 Dario Coscia,Nicola Demo,Gianluigi Rozza
発行日 2025-01-30 15:55:29+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.NA, math.NA パーマリンク