Réduction d’un modèle astrophysique par réseaux de neurones - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Neural network-based emulation of astrophysical models

Réduction d’un modèle astrophysique par réseaux de neurones

Jocelyn Chanussot
Jérôme Pety
Maryvonne Gerin
Ivana Bešlić
Miriam G. Santa-Maria
Jan H. Orkisz
  • Fonction : Auteur
Antoine Zakardjian
Sébastien Bardeau
  • Fonction : Auteur
Javier R. Goicoechea
  • Fonction : Auteur
  • PersonId : 960814
Pierre Gratier
Viviana V. Guzman
  • Fonction : Auteur
  • PersonId : 953067
Annie Hughes
François Levrier
Karin D. Öberg
  • Fonction : Auteur
  • PersonId : 1004206
Nicolas Peretto
  • Fonction : Auteur
  • PersonId : 965998
Evelyne Roueff
  • Fonction : Auteur
  • PersonId : 833795
Albrecht Sievers
  • Fonction : Auteur

Résumé

Numerical models requiring significant resources in time, memory and computing power are present in many scientific disciplines. We consider an astrophysical simulation that computes many outputs from few input parameters, and that may occasionally produce anomalies. We propose a neural network based regression model reduction method and an anomaly robust learning method. We inform the choice of an architecture with a statistical analysis of the code predictions. We demonstrate the interest of the proposed approach by comparing it with model reduction methods commonly used in radio astronomy.
Les modèles numériques nécessitant des ressources importantes en temps, mémoire et puissance de calcul sont présents dans de nombreuses disciplines scientifiques. Nous considérons une simulation astrophysique qui calcule de nombreuses sorties à partir de peu de paramètres d’entrée, et qui peut ponctuellement produire des anomalies. Nous proposons une méthode de réduction de modèle par régression basée sur des réseaux de neurones et une méthode d’apprentissage robuste aux anomalies. Nous informons le choix d’une architecture avec une analyse statistique des prédictions du code. Nous démontrons l’intérêt de l’approche proposée en la comparant avec les méthodes de réduction de modèle couramment utilisées en radioastronomie.
Fichier principal
Vignette du fichier
main.pdf (563.06 Ko) Télécharger le fichier
poster.pdf (3.25 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04253770 , version 1 (23-10-2023)

Licence

Paternité

Identifiants

  • HAL Id : hal-04253770 , version 1

Citer

Lucas Einig, Pierre Palud, Jocelyn Chanussot, Jérôme Pety, Emeric E. Bron, et al.. Réduction d’un modèle astrophysique par réseaux de neurones. GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images, GRETSI - Groupe de Recherche en Traitement du Signal et des Images, Aug 2023, Grenoble, France. ⟨hal-04253770⟩
79 Consultations
18 Téléchargements

Partager

Gmail Facebook X LinkedIn More