Efficient Learning of Accurate Surrogates for Simulations of Complex Systems

要約

タイトル：複雑なシステムのシミュレーションのための正確な代替学習の効率的な獲得
要約：
– 機械学習方法は、複雑な物理モデルのための計算上安価な代替物を構築するためにますます使用されています。
– これらの代替物の予測能力は、データがノイズ、疎か、または時間的に依存する場合に損なわれます。
– 潜在的な将来のモデル評価の有効な予測を提供する代替物を見つけることに興味があるため、最適化駆動のサンプリングによって強化されたオンライン学習方法を紹介します。
– この方法は、現在のアプローチより2つの利点があります。
– 第一に、モデル応答曲面のすべての転換点がトレーニングデータに含まれることを保証します。
– 第二に、新しいモデル評価の後、代替物はテストされ、スコアが有効性のしきい値以下に下がった場合に ‘再訓練’（更新）されます。
– ベンチマーク関数のテストは、オプティマイザ指向のサンプリングが、スコアリングメトリックが全体的な精度を好む場合でも、局所的な極値周辺の精度で一般的に従来のサンプリング方法よりも優れていることを示しています。
– 高度に正確な核物質のシミュレーションに私たちの方法を適用して、核方程式のための高度に正確な代替物を、わずかなモデル評価を使用して信頼性を持って自動生成できることを示します。

要約(オリジナル)

Machine learning methods are increasingly used to build computationally inexpensive surrogates for complex physical models. The predictive capability of these surrogates suffers when data are noisy, sparse, or time-dependent. As we are interested in finding a surrogate that provides valid predictions of any potential future model evaluations, we introduce an online learning method empowered by optimizer-driven sampling. The method has two advantages over current approaches. First, it ensures that all turning points on the model response surface are included in the training data. Second, after any new model evaluations, surrogates are tested and ‘retrained’ (updated) if the ‘score’ drops below a validity threshold. Tests on benchmark functions reveal that optimizer-directed sampling generally outperforms traditional sampling methods in terms of accuracy around local extrema, even when the scoring metric favors overall accuracy. We apply our method to simulations of nuclear matter to demonstrate that highly accurate surrogates for the nuclear equation of state can be reliably auto-generated from expensive calculations using a few model evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI