Automatic numerical solver selection from a repository of pre-run simulations
Notice bibliographique
Résumé
Numerical solver uncertainty is high when the solutions of the differential equations of a model, computed with different numerical solvers, deviate from each other. Numerical solver uncertainty is a serious limiting factor of the simulation process and can lead to incorrect model predictions. This problem is especially critical because the correct solution trajectory of environmental models, often consisting of large systems of ODEs, is almost always unknown. The selection of the most appropriate solver, according to speed and correctness, is not a straightforward task and cannot be based on, for instance, literature. Moreover, with the advent of distributed computing, large amounts of data on previously run simulations are readily available. Analyzing these data can help automating the selection of the most appropriate solver. A new methodology for this automatic selection, based on the correctness of the solution from a repository of simulations, was developed and tested on a set of 16 models with different levels of complexity. This methodology is capable of finding deviating solutions when the model is computed with different solvers and settings, and shows that numerical solver uncertainty is quite common. A cluster of appropriate solvers, which are able to solve the model correctly, can be identified and the most efficient solver can be selected among them. This results in a reduction of the numerical solver uncertainty. On top of that, it was also possible to achieve a reduction of the computation time by a factor of 10(6), compared to slow, but undoubtedly correct solvers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».