Réduction d’un modèle astrophysique par ...
Type de document :
Communication dans un congrès avec actes
Titre :
Réduction d’un modèle astrophysique par réseaux de neurones
Auteur(s) :
Einig, Lucas [Auteur]
GIPSA - Signal Images Physique [GIPSA-SIGMAPHY]
Institut de RadioAstronomie Millimétrique [IRAM]
Palud, Pierre [Auteur]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Laboratoire d'Etude du Rayonnement et de la Matière en Astrophysique et Atmosphères = Laboratory for Studies of Radiation and Matter in Astrophysics and Atmospheres [LERMA]
Chanussot, Jocelyn [Auteur]
GIPSA - Signal Images Physique [GIPSA-SIGMAPHY]
Pety, Jérôme [Auteur]
Institut de RadioAstronomie Millimétrique [IRAM]
Bron, Emeric [Auteur]
Laboratoire d'Etude du Rayonnement et de la Matière en Astrophysique et Atmosphères = Laboratory for Studies of Radiation and Matter in Astrophysics and Atmospheres [LERMA]
Chainais, Pierre [Auteur]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Le Petit, Franck [Auteur]
Laboratoire d'Etude du Rayonnement et de la Matière en Astrophysique et Atmosphères = Laboratory for Studies of Radiation and Matter in Astrophysics and Atmospheres [LERMA]
Thouvenin, Pierre-Antoine [Auteur]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Gerin, Maryvonne [Auteur]
Roueff, Antoine [Auteur]
Institut des Matériaux, de Microélectronique et des Nanosciences de Provence [IM2NP]
Bešlić, Ivana [Auteur]
Santa-Maria, Miriam G. [Auteur]
Orkisz, Jan [Auteur]
Zakardjian, Antoine [Auteur]
Bardeau, Sébastien [Auteur]
Goicoechea, Javier [Auteur]
Gratier, Pierre [Auteur]
Guzman, Viviana [Auteur]
Hughes, Annie [Auteur]
Levrier, François [Auteur]
Öberg, Karin [Auteur]
Peretto, Nicolas [Auteur]
Roueff, Evelyne [Auteur]
Sievers, Albrecht [Auteur]
GIPSA - Signal Images Physique [GIPSA-SIGMAPHY]
Institut de RadioAstronomie Millimétrique [IRAM]
Palud, Pierre [Auteur]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Laboratoire d'Etude du Rayonnement et de la Matière en Astrophysique et Atmosphères = Laboratory for Studies of Radiation and Matter in Astrophysics and Atmospheres [LERMA]
Chanussot, Jocelyn [Auteur]
GIPSA - Signal Images Physique [GIPSA-SIGMAPHY]
Pety, Jérôme [Auteur]
Institut de RadioAstronomie Millimétrique [IRAM]
Bron, Emeric [Auteur]
Laboratoire d'Etude du Rayonnement et de la Matière en Astrophysique et Atmosphères = Laboratory for Studies of Radiation and Matter in Astrophysics and Atmospheres [LERMA]
Chainais, Pierre [Auteur]
![refId](/themes/Mirage2//images/idref.png)
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Le Petit, Franck [Auteur]
Laboratoire d'Etude du Rayonnement et de la Matière en Astrophysique et Atmosphères = Laboratory for Studies of Radiation and Matter in Astrophysics and Atmospheres [LERMA]
Thouvenin, Pierre-Antoine [Auteur]
![refId](/themes/Mirage2//images/idref.png)
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Gerin, Maryvonne [Auteur]
Roueff, Antoine [Auteur]
Institut des Matériaux, de Microélectronique et des Nanosciences de Provence [IM2NP]
Bešlić, Ivana [Auteur]
Santa-Maria, Miriam G. [Auteur]
Orkisz, Jan [Auteur]
Zakardjian, Antoine [Auteur]
Bardeau, Sébastien [Auteur]
Goicoechea, Javier [Auteur]
Gratier, Pierre [Auteur]
Guzman, Viviana [Auteur]
Hughes, Annie [Auteur]
Levrier, François [Auteur]
Öberg, Karin [Auteur]
Peretto, Nicolas [Auteur]
Roueff, Evelyne [Auteur]
Sievers, Albrecht [Auteur]
Titre de la manifestation scientifique :
GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images
Organisateur(s) de la manifestation scientifique :
GRETSI - Groupe de Recherche en Traitement du Signal et des Images
Ville :
Grenoble
Pays :
France
Date de début de la manifestation scientifique :
2023-08-28
Discipline(s) HAL :
Informatique [cs]/Intelligence artificielle [cs.AI]
Physique [physics]/Astrophysique [astro-ph]/Instrumentation et méthodes pour l'astrophysique [astro-ph.IM]
Physique [physics]/Astrophysique [astro-ph]/Instrumentation et méthodes pour l'astrophysique [astro-ph.IM]
Résumé :
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 ...
Lire la suite >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.Lire moins >
Lire la suite >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.Lire moins >
Résumé en anglais : [en]
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, ...
Lire la suite >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.Lire moins >
Lire la suite >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.Lire moins >
Langue :
Français
Comité de lecture :
Oui
Audience :
Nationale
Vulgarisation :
Non
Collections :
Source :
Fichiers
- document
- Accès libre
- Accéder au document
- main.pdf
- Accès libre
- Accéder au document
- poster.pdf
- Accès libre
- Accéder au document