Fugu-MT 論文翻訳(概要): How to do Physics-based Learning

論文の概要: How to do Physics-based Learning

arxiv url: http://arxiv.org/abs/2005.13531v2
Date: Thu, 28 May 2020 17:08:12 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 09:51:28.373742
Title: How to do Physics-based Learning
Title（参考訳）: 物理ベースの学習の方法
Authors: Michael Kellman, Michael Lustig, Laura Waller
Abstract要約: 本チュートリアルでは,計算画像システムのための物理学習の実装方法について解説する。我々は、物理に基づくネットワークを構築し、物理に基づく学習を行うために、この自動微分機能を2回活用することを提唱する。
参考スコア（独自算出の注目度）: 3.386091225912298
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The goal of this tutorial is to explain step-by-step how to implement physics-based learning for the rapid prototyping of a computational imaging system. We provide a basic overview of physics-based learning, the construction of a physics-based network, and its reduction to practice. Specifically, we advocate exploiting the auto-differentiation functionality twice, once to build a physics-based network and again to perform physics-based learning. Thus, the user need only implement the forward model process for their system, speeding up prototyping time. We provide an open-source Pytorch implementation of a physics-based network and training procedure for a generic sparse recovery problem
Abstract（参考訳）: 本チュートリアルの目的は、計算画像システムの高速プロトタイピングのための物理ベースの学習の実装方法を説明することである。本稿では,物理に基づく学習,物理に基づくネットワークの構築,実践への還元について概説する。具体的には、物理ベースのネットワークを構築し、物理ベースの学習を行うために、自動微分機能を2回活用することを提唱する。したがって、ユーザはシステムのためにフォワードモデルプロセスを実装するだけで、プロトタイピング時間を短縮できる。物理学に基づくネットワークのオープンソースのPytorch実装と汎用スパースリカバリ問題のトレーニング手順を提供する。

関連論文リスト

Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文参考訳（メタデータ） (2024-11-18T11:58:20Z)
Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
論文参考訳（メタデータ） (2024-10-05T10:32:51Z)
Efficient Training with Denoised Neural Weights [65.14892033932895]
この研究は、初期化のために神経重みを合成するウェイトジェネレータを構築するための新しい一歩を踏み出した。本稿では,モデル重みの収集を容易にするために,GANを用いた画像間翻訳タスクを例に挙げる。拡散モデルによって予測される重み付き画像翻訳モデルを初期化することにより、トレーニングは43.3秒しか必要としない。
論文参考訳（メタデータ） (2024-07-16T17:59:42Z)
The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist [0.0]
この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
論文参考訳（メタデータ） (2021-11-27T15:12:42Z)
Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文参考訳（メタデータ） (2021-10-27T03:30:18Z)
An extended physics informed neural network for preliminary analysis of parametric optimal control problems [0.0]
本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
論文参考訳（メタデータ） (2021-10-26T09:39:05Z)
ST-PCNN: Spatio-Temporal Physics-Coupled Neural Networks for Dynamics Forecasting [15.265694039283106]
本稿では,システムの物理を規定するパラメータを学習する物理結合型ニューラルネットワークモデルを提案する。 3つの目標を達成するために,時空間物理結合ニューラルネットワーク(ST-PCNN)モデルを提案する。 ST-PCNNが既存の物理インフォームドモデルより優れていることを検証する。
論文参考訳（メタデータ） (2021-08-12T19:34:00Z)
PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文参考訳（メタデータ） (2021-04-07T17:59:23Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文参考訳（メタデータ） (2020-11-14T02:03:08Z)
Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
論文参考訳（メタデータ） (2020-04-30T19:35:54Z)

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。