ترجمه فارسی مقاله به سمت فرآیند گاوسی برای یادگیری اپراتور: الگوریتم یادگیری اپراتور مستقل از وضوح آگاهی از عدم اطمینان برای مکانیک محاسباتی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Towards Gaussian Process for operator learning: an uncertainty aware resolution independent operator learning algorithm for computational mechanics
عنوان مقاله به فارسی به سمت فرآیند گاوسی برای یادگیری اپراتور: الگوریتم یادگیری اپراتور مستقل از وضوح آگاهی از عدم اطمینان برای مکانیک محاسباتی
نویسندگان Sawan Kumar, Rajdip Nayek, Souvik Chakraborty
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 17 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

The growing demand for accurate, efficient, and scalable solutions in computational mechanics highlights the need for advanced operator learning algorithms that can efficiently handle large datasets while providing reliable uncertainty quantification. This paper introduces a novel Gaussian Process (GP) based neural operator for solving parametric differential equations. The approach proposed leverages the expressive capability of deterministic neural operators and the uncertainty awareness of conventional GP. In particular, we propose a ``neural operator-embedded kernel'' wherein the GP kernel is formulated in the latent space learned using a neural operator. Further, we exploit a stochastic dual descent (SDD) algorithm for simultaneously training the neural operator parameters and the GP hyperparameters. Our approach addresses the (a) resolution dependence and (b) cubic complexity of traditional GP models, allowing for input-resolution independence and scalability in high-dimensional and non-linear parametric systems, such as those encountered in computational mechanics. We apply our method to a range of non-linear parametric partial differential equations (PDEs) and demonstrate its superiority in both computational efficiency and accuracy compared to standard GP models and wavelet neural operators. Our experimental results highlight the efficacy of this framework in solving complex PDEs while maintaining robustness in uncertainty estimation, positioning it as a scalable and reliable operator-learning algorithm for computational mechanics.

چکیده به فارسی (ترجمه ماشینی)

تقاضای رو به رشد برای راه حل های دقیق ، کارآمد و مقیاس پذیر در مکانیک محاسباتی ، نیاز به الگوریتم های پیشرفته یادگیری اپراتور را نشان می دهد که می توانند ضمن ارائه کمیت عدم اطمینان قابل اعتماد ، مجموعه داده های بزرگ را کنترل کنند.در این مقاله یک اپراتور عصبی مبتنی بر فرآیند جدید گاوسی (GP) برای حل معادلات دیفرانسیل پارامتری معرفی شده است.این رویکرد ، توانایی بیان اپراتورهای عصبی قطعی و آگاهی از عدم اطمینان از پزشک معمولی را پیشنهاد می کند.به طور خاص ، ما یک هسته "عصبی تعبیه شده" که در آن هسته GP در فضای نهفته آموخته شده با استفاده از یک اپراتور عصبی فرموله می شود ، پیشنهاد می کنیم.علاوه بر این ، ما از یک الگوریتم نزول تصادفی دوگانه (SDD) برای آموزش همزمان پارامترهای اپراتور عصبی و هایپرپارامترهای GP بهره برداری می کنیم.رویکرد ما به وابستگی (الف) وضوح و (ب) پیچیدگی مکعب مدل های سنتی GP می پردازد ، و استقلال و مقیاس پذیری با وضوح ورودی را در سیستم های پارامتری بالا و غیر خطی مانند مواردی که در مکانیک محاسباتی روبرو هستند ، فراهم می کند.ما روش خود را در طیف وسیعی از معادلات دیفرانسیل جزئی پارامتری غیر خطی (PDE) اعمال می کنیم و برتری آن را در هر دو کارایی محاسباتی و دقت در مقایسه با مدل های استاندارد GP و اپراتورهای عصبی موجک نشان می دهیم.نتایج تجربی ما اثربخشی این چارچوب را در حل PDE های پیچیده ضمن حفظ استحکام در تخمین عدم اطمینان ، قرار می دهد ، قرار دادن آن به عنوان یک الگوریتم یادگیری عملگر مقیاس پذیر و قابل اعتماد برای مکانیک محاسباتی.

📚 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.