The construction of efficient methods for uncertainty quantification in kinetic equations represents a challenge due to the high dimensionality of the models: often the computational costs involved become prohibitive. On the other hand, precisely because of the curse of dimensionality, the construction of simplified models capable of providing approximate solutions at a computationally reduced cost has always represented one of the main research strands in the field of kinetic equations. Approximations based on suitable closures of the moment equations or on simplified collisional models have been studied by many authors. In the context of uncertainty quantification, it is therefore natural to take advantage of such models in a multi-fidelity setting where the original kinetic equation represents the high-fidelity model, and the simplified models define the low-fidelity surrogate models. The scope of this article is to survey some recent results about multi-fidelity methods for kinetic equations that are able to accelerate the solution of the uncertainty quantification process by combining high-fidelity and low-fidelity model evaluations with particular attention to the case of compressible and incompressible hydrodynamic limits. We will focus essentially on two classes of strategies: multi-fidelity control variates methods and bi-fidelity stochastic collocation methods. The various approaches considered are analyzed in light of the different surrogate models used and the different numerical techniques adopted. Given the relevance of the specific choice of the surrogate model, an application-oriented approach has been chosen in the presentation.


翻译:由于模型具有高度的维度,为动态方程的不确定性量化构建高效方法是一项挑战:计算成本往往变得令人望而却步。另一方面,正是由于对维度的诅咒,建造能够以计算成本降低提供近似解决办法的简化模型,始终是动量方程领域的主要研究分支之一。许多作者研究了基于适当关闭瞬时方程或简化碰撞模型的近似方法。因此,在不确定性量化的背景下,在多纤维化环境中利用这些模型是很自然的,其中最初选择的动能方程代表高纤维化模型,而简化模型则界定低纤维化代谢模型。本文章的范围是调查关于动量方程中多纤维化方法的一些最新结果,这些结果能够通过将高纤维化和低纤维化方法相结合,加速不确定性量化进程的解决办法。在不确定性量化模型中,尤其注意可压缩和压缩的流力动力模型的多纤维化方法。我们将把最初选择的偏向性方程模型的选用于两种不同的展示方法。我们主要侧重于两种不同的递增性方法,即采用不同的递增性方法。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
专知会员服务
50+阅读 · 2021年8月8日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
已删除
将门创投
6+阅读 · 2018年12月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2022年2月3日
Arxiv
0+阅读 · 2022年2月1日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
已删除
将门创投
6+阅读 · 2018年12月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员