Réduction d’un modèle astrophysique par ...
Document type :
Communication dans un congrès avec actes
Title :
Réduction d’un modèle astrophysique par réseaux de neurones
Author(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]
Conference title :
GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images
Conference organizers(s) :
GRETSI - Groupe de Recherche en Traitement du Signal et des Images
City :
Grenoble
Country :
France
Start date of the conference :
2023-08-28
HAL domain(s) :
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]
French abstract :
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 ...
Show more >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.Show less >
Show more >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.Show less >
English abstract : [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, ...
Show more >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.Show less >
Show more >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.Show less >
Language :
Français
Peer reviewed article :
Oui
Audience :
Nationale
Popular science :
Non
Collections :
Source :
Files
- document
- Open access
- Access the document
- main.pdf
- Open access
- Access the document
- poster.pdf
- Open access
- Access the document