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
- DiffSkill: Skill Abstraction from Differentiable Physics for Deformable
Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。
特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。
次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文 参考訳(メタデータ) (2022-03-31T17:59:38Z) - Emulating Quantum Dynamics with Neural Networks via Knowledge
Distillation [8.741611658931337]
高忠実な量子力学エミュレータは、複雑な物理系の時間進化を予測するのに使うことができる。
機械学習に基づくエミュレータを構築するための効率的な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) (2022-03-19T00:21:39Z) - 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) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳(メタデータ) (2020-06-09T17:14:08Z) - 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。
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。