כתבה
arXiv cs.LG ·
למידה פעילה לדגמי נמוכי-ממדים של מערכות דיפרנציאליות פרמטריות עם בינוניות בפעולות
Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference
במאמר זה, המחברים מפתחים פרקטיקה של למידה פעילה לשם הרחבת דגמי נמוכי-ממדים של מערכות דיפרנציאליות פרמטריות. הדגמים הנמוכי-ממדים הללו יכולים לשמש כבסיס לאטרבטים דיגיטליים. המחברים משתמשים בבינוניות בפעולות, שהיא סטרטגיה של חיפוש רגרסי, כדי לפתח דגם סביר של פעולות. הם משתמשים בבינוניות הזו כדי לבחור נקודות דגימה חדשות שישפרו את יציבות ודיוק הדגם. התוצאות המתוארות במאמר זה תומכות בכך שהפרקטיקה של למידה פעילה שפותחה יכולה לשפר את יציבות ודיוק דגמי נמוכי-ממדים.
תקציר מקורי באנגליתarXiv:2601.00038v2 Announce Type: replace-cross Abstract: This work develops an active learning framework to intelligently enrich data-driven reduced-order models (ROMs) of parametric dynamical systems, which can serve as the foundation of virtual assets in a digital twin. Data-driven ROMs are explainable, computationally efficient scientific machine learning models that aim to preserve the underlying physics of complex dynamical simulations. Since the quality of data-driven ROMs is sensitive to the quality of the limited training data, we seek to identify training parameters for which using the associated training data results in the best possible parametric ROM. Our approach uses the operator inference methodology, a regression-based strategy which can be tailored to particular parametri
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית