Fugu-MT 論文翻訳(概要): Optimization with learning-informed differential equation constraints and its applications

論文の概要: Optimization with learning-informed differential equation constraints and its applications

arxiv url: http://arxiv.org/abs/2008.10893v1
Date: Tue, 25 Aug 2020 09:05:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 04:41:10.874223
Title: Optimization with learning-informed differential equation constraints and its applications
Title（参考訳）: 学習型微分方程式制約による最適化とその応用
Authors: Guozhi Dong, Michael Hintermueller and Kostas Papafitsoros
Abstract要約: 半線形楕円偏微分方程式の最適制御と物理積分イメージングの応用に触発されて、微分方程式制約最適化問題を研究する。特に、機械学習部品の問題の解析と数値的手法に焦点が当てられている。
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: Inspired by applications in optimal control of semilinear elliptic partial differential equations and physics-integrated imaging, differential equation constrained optimization problems with constituents that are only accessible through data-driven techniques are studied. A particular focus is on the analysis and on numerical methods for problems with machine-learned components. For a rather general context, an error analysis is provided, and particular properties resulting from artificial neural network based approximations are addressed. Moreover, for each of the two inspiring applications analytical details are presented and numerical results are provided.
Abstract（参考訳）: 半線形楕円偏微分方程式の最適制御と物理積分イメージングの応用に着想を得て,データ駆動法でのみアクセス可能な成分を用いた微分方程式制約付き最適化問題の研究を行った。特に、機械学習コンポーネントの問題の解析と数値的手法に焦点を当てている。比較的一般的な文脈では、エラー解析が提供され、人工ニューラルネットワークに基づく近似から生じる特定の特性に対処する。さらに,2つのアプリケーションそれぞれに対して解析的詳細を示し,数値的な結果を与える。

関連論文リスト

Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning [18.1180892910779]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式の前方および逆問題の数値シミュレーションのアルゴリズムとして近年広く普及している。 PINNによるPDEの近似における誤差の様々な成分の分析を効果的に行うことができる統一的なフレームワークを提供する。
論文参考訳（メタデータ） (2024-01-30T10:43:27Z)
Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery [77.34726150561087]
進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
論文参考訳（メタデータ） (2023-06-29T15:37:19Z)
On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
Physics-informed Neural Network: The Effect of Reparameterization in Solving Differential Equations [0.0]
複雑な物理学では、解析的に解くのが難しい微分方程式がほとんどである。近年, 物理インフォームドニューラルネットワークは, 様々な微分方程式の解法系において, 非常によく機能することが示されている。
論文参考訳（メタデータ） (2023-01-28T07:53:26Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
Recurrent Localization Networks applied to the Lippmann-Schwinger Equation [0.0]
一般化Lippmann-Schwinger (L-S) 型の方程式を解くための新しい機械学習手法を提案する。学習に基づくループアンロールの一部として、リカレント畳み込みニューラルネットワークを用いて、関心のある分野の制御方程式を反復的に解く。本研究では, 局所的(ボクセルレベル)弾性ひずみの予測において, 優れた精度が得られる2相弾性局在問題に対する学習手法を示す。
論文参考訳（メタデータ） (2021-01-29T20:54:17Z)
Neural Network Approximations of Compositional Functions With Applications to Dynamical Systems [3.660098145214465]
我々は,合成関数とそのニューラルネットワーク近似の近似理論を開発した。構成関数の重要な特徴の集合と,ニューラルネットワークの特徴と複雑性の関係を同定する。関数近似に加えて、ニューラルネットワークの誤差上限の式もいくつか証明する。
論文参考訳（メタデータ） (2020-12-03T04:40:25Z)
Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文参考訳（メタデータ） (2020-09-08T13:26:51Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)
Numerical Solution of the Parametric Diffusion Equation by Deep Neural Networks [2.2731658205414025]
パラメトリック偏微分方程式の機械学習に基づく解について検討する。我々は,近似理論効果が数値解析における学習問題の実践的挙動に大きく影響を及ぼすという仮説を強く支持する。
論文参考訳（メタデータ） (2020-04-25T12:48:31Z)

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。