論文の概要: Neural Network Solutions to Differential Equations in Non-Convex
Domains: Solving the Electric Field in the Slit-Well Microfluidic Device
- arxiv url: http://arxiv.org/abs/2004.12235v1
- Date: Sat, 25 Apr 2020 21:20:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 22:21:45.380041
- Title: Neural Network Solutions to Differential Equations in Non-Convex
Domains: Solving the Electric Field in the Slit-Well Microfluidic Device
- Title(参考訳): 非凸領域の微分方程式に対するニューラルネットワーク解:スリットウェルマイクロ流体デバイスにおける電場を解く
- Authors: Martin Magill and Andrew M. Nagel and Hendrick W. de Haan
- Abstract要約: スリットウェルマイクロ流体装置における電位と対応する電場を近似するためにニューラルネットワーク法を用いる。
ディープ・ニューラル・ネットワークは 浅いニューラル・ネットワークをはるかに上回っています
- 参考スコア(独自算出の注目度): 1.7188280334580193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The neural network method of solving differential equations is used to
approximate the electric potential and corresponding electric field in the
slit-well microfluidic device. The device's geometry is non-convex, making this
a challenging problem to solve using the neural network method. To validate the
method, the neural network solutions are compared to a reference solution
obtained using the finite element method. Additional metrics are presented that
measure how well the neural networks recover important physical invariants that
are not explicitly enforced during training: spatial symmetries and
conservation of electric flux. Finally, as an application-specific test of
validity, neural network electric fields are incorporated into particle
simulations. Conveniently, the same loss functional used to train the neural
networks also seems to provide a reliable estimator of the networks' true
errors, as measured by any of the metrics considered here. In all metrics, deep
neural networks significantly outperform shallow neural networks, even when
normalized by computational cost. Altogether, the results suggest that the
neural network method can reliably produce solutions of acceptable accuracy for
use in subsequent physical computations, such as particle simulations.
- Abstract(参考訳): 微分方程式を解くニューラルネットワーク法は、スリットウェルマイクロ流体装置の電位と対応する電場を近似するために用いられる。
装置の形状は凸でないため、ニューラルネットワーク法を用いて解くのが難しい問題である。
この手法を検証するために、ニューラルネットワーク解を有限要素法を用いて得られた参照解と比較する。
トレーニング中に明示的に強制されない重要な物理的不変量(空間対称性と電気フラックスの保存)をニューラルネットワークがいかにうまく回復するかを測定するための追加メトリクスが提示される。
最後に,応用別妥当性試験として,ニューラルネットワーク電場を粒子シミュレーションに組み込む。
都合のよいことに、ニューラルネットワークのトレーニングに使用される同じ損失関数は、ここで検討した指標のいずれかで測定されたように、ネットワークの真のエラーの信頼できる推定子でもあるようだ。
すべての測定値において、ディープニューラルネットワークは、計算コストによって正規化されても、浅いニューラルネットワークを著しく上回っている。
以上より, 粒子シミュレーションなどの物理計算において, ニューラルネットワーク法が適用可能な精度の解を確実に生成できることが示唆された。
関連論文リスト
- NeuralFastLAS: Fast Logic-Based Learning from Raw Data [54.938128496934695]
シンボリック・ルール学習者は解釈可能な解を生成するが、入力を記号的に符号化する必要がある。
ニューロシンボリックアプローチは、ニューラルネットワークを使用して生データを潜在シンボリック概念にマッピングすることで、この問題を克服する。
我々は,ニューラルネットワークを記号学習者と共同でトレーニングする,スケーラブルで高速なエンドツーエンドアプローチであるNeuralFastLASを紹介する。
論文 参考訳(メタデータ) (2023-10-08T12:33:42Z) - Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。
単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。
これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
論文 参考訳(メタデータ) (2023-07-20T13:34:11Z) - Guaranteed Quantization Error Computation for Neural Network Model
Compression [2.610470075814367]
ニューラルネットワークモデル圧縮技術は、産業システムの組み込みデバイス上でのディープニューラルネットワークの計算問題に対処することができる。
統合されたニューラルネットワークは、フィードフォワードニューラルネットワークとその量子化されたバージョンから構築され、2つのニューラルネットワーク間の正確な出力差を生成する。
論文 参考訳(メタデータ) (2023-04-26T20:21:54Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-06T13:04:45Z) - An Overview of Uncertainty Quantification Methods for Infinite Neural
Networks [0.0]
無限幅ニューラルネットワークにおける不確実性を定量化する手法について検討する。
我々は、予測の不確実性に対する厳密な閉形式解を得るために、いくつかの等価結果を利用する。
論文 参考訳(メタデータ) (2022-01-13T00:03:22Z) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳(メタデータ) (2021-10-14T14:05:19Z) - Deep Kronecker neural networks: A general framework for neural networks
with adaptive activation functions [4.932130498861987]
我々は,適応的アクティベーション機能を持つニューラルネットワークの汎用フレームワークとして,新しいタイプのニューラルネットワークKronecker Neural Network(KNN)を提案する。
適切な条件下では、KNNはフィードフォワードネットワークによる損失よりも早く損失を減少させる。
論文 参考訳(メタデータ) (2021-05-20T04:54:57Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - A Gradient Estimator for Time-Varying Electrical Networks with
Non-Linear Dissipation [0.0]
電気回路理論を用いて、深層指向ニューラルネットワークを記述できるラグランジアンを構築する。
シナプスコンダクタンスなどのネットワークの物理パラメータの勾配を推定するための推定器を導出する。
結論として,これらの結果を生物学的に妥当なニューロンのネットワークに拡張する方法を提案する。
論文 参考訳(メタデータ) (2021-03-09T02:07:39Z) - ResiliNet: Failure-Resilient Inference in Distributed Neural Networks [56.255913459850674]
ResiliNetは、分散ニューラルネットワークにおいて物理ノード障害に耐性を持たせるためのスキームである。
Failoutは、ドロップアウトを使用したトレーニング中の物理ノード障害条件をシミュレートし、分散ニューラルネットワークのレジリエンスを改善するように設計されている。
論文 参考訳(メタデータ) (2020-02-18T05:58:24Z) - Mean-Field and Kinetic Descriptions of Neural Differential Equations [0.0]
この研究では、ニューラルネットワークの特定のクラス、すなわち残留ニューラルネットワークに焦点を当てる。
我々は、ネットワークのパラメータ、すなわち重みとバイアスに関する定常状態と感度を分析する。
残留ニューラルネットワークにインスパイアされた微視的ダイナミクスの修正は、ネットワークのフォッカー・プランクの定式化につながる。
論文 参考訳(メタデータ) (2020-01-07T13:41:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。