In computational science and engineering, model reduction methods construct low-cost surrogates of large-scale simulations by learning from data. We tackle the underlying learning task with novel sparse-grid-based techniques. Therefore, we introduce the first sparse grid clustering method, and an Offline/Online strategy to solve classification problems up to 300 times faster than before. Our methods are demonstrated on thermal conduction, car crash, and chemical reaction simulations.
Translated abstract:
Modellreduktion erstellt kostengünstige Approximationen von rechenaufwändigen Simulationen, indem von vorhandenen Daten gelernt wird. Wir verwenden Dünne Gitter für diese Lernaufgaben. Dazu stellen wir die erste Clustering-Methode basierend auf Dünnen Gittern vor und zeigen, wie man mit einer Offline/Online-Aufspaltung Klassifikationsprobleme bis zu 300 Mal schneller lösen kann, als dies zuvor möglich war. Diese Methoden setzen wir für Wärmeleitungs-, Crashtest-, und Reaktionssimulationen ein.