論文の概要: Deep Learning of Dynamic Subsurface Flow via Theory-guided Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2006.13305v1
• Date: Tue, 2 Jun 2020 02:53:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 00:10:58.350579
• Title: Deep Learning of Dynamic Subsurface Flow via Theory-guided Generative Adversarial Network
• Title（参考訳）: 理論誘導生成逆ネットワークによる動的地下流れの深層学習
• Authors: Tianhao He and Dongxiao Zhang
• Abstract要約: 動的偏微分方程式(PDE)の解法として理論誘導生成逆数ネットワーク(TgGAN)を提案する。 不均一モデルパラメータを持つ動的地下流れに対してTgGANを提案する。 数値計算により,TgGANモデルは動的PDEの深層学習において堅牢で信頼性が高いことが示された。
• 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: Generative adversarial network (GAN) has been shown to be useful in various applications, such as image recognition, text processing and scientific computing, due its strong ability to learn complex data distributions. In this study, a theory-guided generative adversarial network (TgGAN) is proposed to solve dynamic partial differential equations (PDEs). Different from standard GANs, the training term is no longer the true data and the generated data, but rather their residuals. In addition, such theories as governing equations, other physical constraints and engineering controls, are encoded into the loss function of the generator to ensure that the prediction does not only honor the training data, but also obey these theories. TgGAN is proposed for dynamic subsurface flow with heterogeneous model parameters, and the data at each time step are treated as a two-dimensional image. In this study, several numerical cases are introduced to test the performance of the TgGAN. Predicting the future response, label-free learning and learning from noisy data can be realized easily by the TgGAN model. The effects of the number of training data and the collocation points are also discussed. In order to improve the efficiency of TgGAN, the transfer learning algorithm is also employed. Numerical results demonstrate that the TgGAN model is robust and reliable for deep learning of dynamic PDEs.
• Abstract（参考訳）: generative adversarial network (gan) は、画像認識、テキスト処理、科学計算など、複雑なデータ分布を学習する能力があるため、様々なアプリケーションで有用であることが示されている。 本研究では,動的偏微分方程式(PDE)を解くため,理論誘導型生成逆数ネットワーク(TgGAN)を提案する。 標準のGANとは異なり、トレーニング用語はもはや真のデータと生成されたデータではなく、その残余である。 さらに、制御方程式、その他の物理的制約、工学的制御などの理論は、予測がトレーニングデータを尊重するだけでなく、これらの理論に従うことを保証するため、ジェネレータの損失関数に符号化される。 TgGANは不均一なモデルパラメータを持つ動的地下流れに対して提案され、各時間ステップのデータは2次元画像として扱われる。 本研究では,TgGANの性能試験を行うために,いくつかの数値ケースを導入する。 TgGANモデルにより、将来的な応答予測、ラベルなし学習、ノイズの多いデータからの学習を容易に実現できる。 また,トレーニングデータ数とコロケーション点数の影響についても考察した。 また、TgGANの効率を向上させるために、転送学習アルゴリズムを用いる。 数値計算により,TgGANモデルは動的PDEの深層学習において堅牢で信頼性が高いことが示された。

関連論文リスト

• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Incorporating Domain Differential Equations into Graph Convolutional Networks to Lower Generalization Discrepancy [30.249981848630256]
  グラフ畳み込みネットワーク(GCN)にドメイン微分方程式を組み込む方法を示す。 我々はリアクション拡散グラフ畳み込みネットワーク (RDGCN) と呼ばれる2つのドメイン差分時変インフォームドネットワークを提案する。 RDGCNとSIRGCNは、最先端のディープラーニング手法よりも、ミスマッチしたテストデータの方が堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-04-01T16:17:11Z)
• Recurrent neural networks and transfer learning for elasto-plasticity in woven composites [0.0]
  本稿では, 織物のメソスケールシミュレーションの代用として, リカレントニューラルネットワーク(RNN)モデルを提案する。 平均場モデルは、弾塑性挙動を表す包括的データセットを生成する。 シミュレーションでは、任意の6次元ひずみヒストリーを用いて、ランダムウォーキング時の応力を原課題として、循環荷重条件を目標課題として予測する。
  論文  参考訳（メタデータ） (2023-11-22T14:47:54Z)
• Tipping Points of Evolving Epidemiological Networks: Machine Learning-Assisted, Data-Driven Effective Modeling [0.0]
  適応型感受性感染症(SIS)疫学ネットワークのチップポイント集団動態を,データ駆動型機械学習支援方式で検討した。 複素実効微分方程式(eSDE)を物理的に有意な粗い平均場変数で同定する。 本研究では, 頻繁な現象の統計を, 繰り返しブルート力シミュレーションと, 確立された数学的・計算ツールを用いて研究する。
  論文  参考訳（メタデータ） (2023-11-01T19:33:03Z)
• 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)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Improving GANs with A Dynamic Discriminator [106.54552336711997]
  我々は、オンザフライで調整可能な判別器は、そのような時間変化に適応できると論じる。 総合的な実証研究により、提案したトレーニング戦略がDynamicDと呼ばれ、追加のコストやトレーニング目標を発生させることなく、合成性能を向上させることが確認された。
  論文  参考訳（メタデータ） (2022-09-20T17:57:33Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Turbulence Enrichment using Physics-informed Generative Adversarial Networks [0.0]
  我々は乱流生成法を開発した。 損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。 物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-04T06:14:11Z)

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。