論文の概要: Transfer learning based multi-fidelity physics informed deep neural
network
- arxiv url: http://arxiv.org/abs/2005.10614v2
- Date: Sun, 14 Jun 2020 05:17:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 13:51:30.852442
- Title: Transfer learning based multi-fidelity physics informed deep neural
network
- Title（参考訳）: 深層ニューラルネットワークを用いた移動学習に基づく多要素物理
- Authors: Souvik Chakraborty
- Abstract要約: 支配微分方程式は、近似的な意味では知られていないか、知られているかのどちらかである。
本稿では,深部ニューラルネットワーク(MF-PIDNN)を用いた多要素物理について述べる。
MF-PIDNNは、転送学習の概念を用いて、物理情報とデータ駆動型ディープラーニング技術をブレンドする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For many systems in science and engineering, the governing differential
equation is either not known or known in an approximate sense. Analyses and
design of such systems are governed by data collected from the field and/or
laboratory experiments. This challenging scenario is further worsened when
data-collection is expensive and time-consuming. To address this issue, this
paper presents a novel multi-fidelity physics informed deep neural network
(MF-PIDNN). The framework proposed is particularly suitable when the physics of
the problem is known in an approximate sense (low-fidelity physics) and only a
few high-fidelity data are available. MF-PIDNN blends physics informed and
data-driven deep learning techniques by using the concept of transfer learning.
The approximate governing equation is first used to train a low-fidelity
physics informed deep neural network. This is followed by transfer learning
where the low-fidelity model is updated by using the available high-fidelity
data. MF-PIDNN is able to encode useful information on the physics of the
problem from the {\it approximate} governing differential equation and hence,
provides accurate prediction even in zones with no data. Additionally, no
low-fidelity data is required for training this model. Applicability and
utility of MF-PIDNN are illustrated in solving four benchmark reliability
analysis problems. Case studies to illustrate interesting features of the
proposed approach are also presented.
- Abstract（参考訳）: 科学と工学の多くの系において、支配微分方程式は近似的な意味では知られていないか知られていない。
このようなシステムの分析と設計は、フィールドおよび/または実験実験から収集されたデータによって管理される。
この困難なシナリオは、データ収集が高価で時間がかかる場合にさらに悪化する。
この問題に対処するため,本稿では,mf-pidnn(multi-fidelity physics informed deep neural network)を提案する。
この枠組みは、問題の物理が近似感覚(低忠実度物理学)で知られ、少数の高忠実度データが利用できる場合に特に適している。
MF-PIDNNは、転送学習の概念を用いて、物理情報とデータ駆動型ディープラーニング技術をブレンドする。
近似支配方程式は、まず低忠実度物理情報深層ニューラルネットワークの訓練に使用される。
次に、高忠実度データを用いて低忠実度モデルを更新する転送学習を行う。
MF-PIDNNは、偏微分方程式から問題の物理に関する有用な情報を符号化することができ、データを持たないゾーンでも正確な予測を行うことができる。
さらに、このモデルのトレーニングには低忠実度データを必要としない。
MF-PIDNNの適用性と実用性は、4つのベンチマーク信頼性解析問題を解く際に説明される。
提案手法の興味深い特徴を説明するケーススタディも提示されている。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - Differentiable Multi-Fidelity Fusion: Efficient Learning of Physics
Simulations with Neural Architecture Search and Transfer Learning [1.0024450637989093]
ニューラル・アーキテクチャ・サーチ(NAS)を利用して、異なる問題に対する適切なモデル・アーキテクチャを自動的に探索する微分可能なmf(DMF)モデルを提案する。
DMFは、少数の高忠実度トレーニングサンプルで物理シミュレーションを効率よく学習することができ、最先端の手法よりも優れたマージンを持つ。
論文 参考訳（メタデータ） (2023-06-12T07:18:13Z) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳（メタデータ） (2023-02-19T20:33:32Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。
PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。
本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
論文 参考訳（メタデータ） (2022-05-16T15:46:11Z) - Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。
概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
論文 参考訳（メタデータ） (2021-12-10T12:39:07Z) - 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 Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。
パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文 参考訳（メタデータ） (2020-02-24T21:51:53Z)
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。