Un cadre pour évaluer les techniques de simulation de systèmes physiques

Un cadre pour évaluer les techniques de simulation de systèmes physiques

Visualisations représentatives des quatre systèmes physiques considérés par les chercheurs, illustrant les résultats et les plages d’échantillonnage des conditions initiales. Chacun a deux composantes d’état : pour le système Navier-Stokes, une vitesse d’écoulement et un champ de pression, et pour les trois autres une position q et une quantité de mouvement p. Crédit : Otness et al.

La simulation de systèmes physiques à l’aide d’outils informatiques peut avoir de nombreuses applications précieuses, à la fois dans la recherche et dans le monde réel. La plupart des outils existants pour simuler des systèmes physiques sont basés sur la théorie physique et les calculs numériques. Ces dernières années, cependant, les informaticiens ont essayé de développer des techniques qui pourraient compléter ces outils, qui sont basés sur l’analyse de grandes quantités de données.

Les algorithmes d’apprentissage automatique (ML) sont des approches particulièrement prometteuses pour l’analyse des données. Par conséquent, de nombreux informaticiens ont développé des techniques ML qui peuvent apprendre à simuler des systèmes physiques en analysant des données expérimentales.

Bien que certains de ces outils aient obtenu des résultats remarquables, les évaluer et les comparer à d’autres approches peut s’avérer difficile en raison de la grande variété de méthodes existantes et des différences dans les tâches qu’elles sont conçues pour accomplir. Jusqu’à présent, ces outils ont donc été évalués à l’aide de différents cadres et métriques.

Des chercheurs de l’Université de New York ont ​​développé une nouvelle suite de références qui peut être utilisée pour évaluer des modèles de simulation de systèmes physiques. Cette suite, présentée dans un article prépublié sur arXiv, peuvent être personnalisés, adaptés et étendus pour évaluer une variété de techniques de simulation basées sur l’apprentissage automatique.

“Nous introduisons un ensemble de problèmes de référence pour faire un pas vers des références et des protocoles d’évaluation unifiés”, ont écrit les chercheurs dans leur article. “Nous proposons quatre systèmes physiques représentatifs, ainsi qu’une collection d’intégrateurs temporels classiques largement utilisés et de méthodes représentatives axées sur les données (basées sur le noyau, MLP, CNN, les plus proches voisins).”

La suite de référence développée par les chercheurs contient des simulations de quatre modèles physiques simples avec des configurations d’entraînement et d’évaluation. Les quatre systèmes sont : un ressort oscillant unique, une équation d’onde linéaire unidimensionnelle (1D), un problème d’écoulement Navier-Stokes et un maillage de ressorts amortis.

“Ces systèmes représentent une progression de la complexité”, ont expliqué les chercheurs dans leur article. “Le système de ressort est un système linéaire avec un espace de faible dimension des conditions initiales et un état de faible dimension ; l’équation d’onde est un système linéaire de faible dimension avec un espace d’état (relativement) de grande dimension après discrétisation ; les équations de Navier-Stokes sont non linéaires et nous considérons une configuration avec des conditions initiales de faible dimension et un espace d’état de grande dimension ; enfin, le système de maillage à ressort a à la fois des conditions initiales de grande dimension ainsi que des états de grande dimension.”

En plus des simulations de ces systèmes physiques simples, la suite développée par les chercheurs comprend une collection d’approches et d’outils de simulation. Celles-ci incluent à la fois des approches numériques traditionnelles et des techniques de ML basées sur les données.

À l’aide de la suite, les scientifiques peuvent effectuer des évaluations systématiques et objectives de leurs techniques de simulation ML, en testant leur précision, leur efficacité et leur stabilité. Cela leur permet de comparer de manière fiable les performances d’outils avec des caractéristiques différentes, qui seraient autrement difficiles à comparer. Le cadre de référence peut également être configuré et étendu pour prendre en compte d’autres tâches et approches informatiques.

“Nous envisageons trois façons d’utiliser les résultats de ce travail”, ont écrit les chercheurs dans leur article. « Premièrement, les ensembles de données développés peuvent être utilisés pour la formation et l’évaluation de nouvelles techniques d’apprentissage automatique dans ce domaine. Deuxièmement, le logiciel de simulation peut être utilisé pour générer de nouveaux ensembles de données à partir de ces systèmes de tailles différentes, de dimensionnalité et de distribution de conditions initiales différentes, tandis que la formation le logiciel pourrait être utilisé pour aider à mener d’autres expériences, et troisièmement, certaines des tendances observées dans nos résultats peuvent aider à éclairer la conception de futures tâches d’apprentissage automatique pour la simulation.

La nouvelle suite de benchmarks introduite par cette équipe de chercheurs pourrait bientôt contribuer à améliorer l’évaluation des techniques existantes et émergentes de simulation de systèmes physiques. Actuellement, cependant, il ne couvre pas toutes les configurations et paramètres de modèle possibles, il pourrait donc être étendu davantage à l’avenir.


Vortex, la clé de la capacité de traitement de l’information : calcul de réservoir physique virtuel


Plus d’information:
Une suite de référence extensible pour apprendre à simuler des systèmes physiques. arXiv : 2108.07799 [cs.LG]. arxiv.org/abs/2108.07799

Informations sur la revue :
arXiv

© 2021 Réseau Science X

Citation: Un cadre pour évaluer les techniques de simulation de systèmes physiques (2021, 10 septembre) récupéré le 10 septembre 2021 sur https://techxplore.com/news/2021-09-framework-techniques-simulating-physical.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.