Abstract: National audience ; 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.
_0.png)
Processing Request
No Comments.