ترجمه فارسی مقاله امکان سنجی یادگیری فعال جانشین های هوشمند برای شبیه سازی های علمی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Feasibility Study on Active Learning of Smart Surrogates for Scientific Simulations
عنوان مقاله به فارسی امکان سنجی یادگیری فعال جانشین های هوشمند برای شبیه سازی های علمی
نویسندگان Pradeep Bajracharya, Javier Quetzalcóatl Toledo-Marín, Geoffrey Fox, Shantenu Jha, Linwei Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 12 July, 2024; v1 submitted 10 July, 2024; originally announced July 2024. , Comments: 17 pages, 9 figures, 1 table
توضیحات به فارسی ارائه شده 12 ژوئیه 2024 ؛V1 ارسال شده 10 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 17 صفحه ، 9 شکل ، 1 جدول
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

High-performance scientific simulations, important for comprehension of complex systems, encounter computational challenges especially when exploring extensive parameter spaces. There has been an increasing interest in developing deep neural networks (DNNs) as surrogate models capable of accelerating the simulations. However, existing approaches for training these DNN surrogates rely on extensive simulation data which are heuristically selected and generated with expensive computation -- a challenge under-explored in the literature. In this paper, we investigate the potential of incorporating active learning into DNN surrogate training. This allows intelligent and objective selection of training simulations, reducing the need to generate extensive simulation data as well as the dependency of the performance of DNN surrogates on pre-defined training simulations. In the problem context of constructing DNN surrogates for diffusion equations with sources, we examine the efficacy of diversity- and uncertainty-based strategies for selecting training simulations, considering two different DNN architecture. The results set the groundwork for developing the high-performance computing infrastructure for Smart Surrogates that supports on-the-fly generation of simulation data steered by active learning strategies to potentially improve the efficiency of scientific simulations.

چکیده به فارسی (ترجمه ماشینی)

شبیه سازی های علمی با کارایی بالا ، برای درک سیستم های پیچیده ، با چالش های محاسباتی به ویژه هنگام کاوش در فضاهای پارامتر گسترده ، با چالش های محاسباتی روبرو می شوند.علاقه فزاینده ای به توسعه شبکه های عصبی عمیق (DNN) به عنوان مدل های جانشین که قادر به تسریع در شبیه سازی ها هستند ، وجود داشته است.با این حال ، رویکردهای موجود برای آموزش این جانبازان DNN به داده های شبیه سازی گسترده ای که به طور اکتشافی انتخاب شده و با محاسبات گران قیمت تولید می شوند ، تکیه می کنند-چالشی که در ادبیات مورد استفاده قرار نمی گیرد.در این مقاله ، ما پتانسیل ترکیب یادگیری فعال در آموزش جانشین DNN را بررسی می کنیم.این امکان انتخاب هوشمندانه و عینی از شبیه سازی های آموزشی را فراهم می کند ، نیاز به تولید داده های شبیه سازی گسترده و همچنین وابستگی عملکرد جانشین های DNN در شبیه سازی های آموزشی از پیش تعریف شده را کاهش می دهد.در زمینه مشکل ساخت جانشین های DNN برای معادلات انتشار با منابع ، ما با توجه به دو معماری مختلف DNN ، اثربخشی استراتژی های تنوع و عدم اطمینان برای انتخاب شبیه سازی های آموزشی را بررسی می کنیم.این نتایج زمینه را برای توسعه زیرساخت های محاسباتی با کارایی بالا برای جانبازان هوشمند که از نسل پرواز داده های شبیه سازی هدایت شده توسط استراتژی های یادگیری فعال برای بهبود بالقوه کارآیی شبیه سازی های علمی پشتیبانی می کند ، تعیین می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.