論文の概要: Physarum-Inspired Multi-Commodity Flow Dynamics

• arxiv url: http://arxiv.org/abs/2009.01498v5
• Date: Wed, 9 Feb 2022 07:22:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 07:34:42.288362
• Title: Physarum-Inspired Multi-Commodity Flow Dynamics
• Title（参考訳）: フィサラムに触発されたマルチコモディティフローダイナミクス
• Authors: Vincenzo Bonifaci and Enrico Facca and Frederic Folz and Andreas Karrenbauer and Pavel Kolev and Kurt Mehlhorn and Giovanna Morigi and Golnoosh Shahkarami and Quentin Vermande
• Abstract要約: 湿式実験では、スライム型Physarum polycephalumが最短経路問題を解く能力を示した。 本稿では,ネットワーク設計問題に対するダイナミクスを紹介する。
• 参考スコア（独自算出の注目度）: 2.869738394662709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In wet-lab experiments, the slime mold Physarum polycephalum has demonstrated its ability to solve shortest path problems and to design efficient networks. For the shortest path problem, a mathematical model for the evolution of the slime is available and it has been shown in computer experiments and through mathematical analysis that the dynamics solves the shortest path problem. In this paper, we introduce a dynamics for the network design problem. We formulate network design as the problem of constructing a network that efficiently supports a multi-commodity flow problem. We investigate the dynamics in computer simulations and analytically. The simulations show that the dynamics is able to construct efficient and elegant networks. In the theoretical part we show that the dynamics minimizes an objective combining the cost of the network and the cost of routing the demands through the network. We also give alternative characterization of the optimum solution.
• Abstract（参考訳）: 湿式実験では、スライム型Physarum polycephalumが最短経路問題の解法と効率的なネットワークの設計能力を示した。 最短経路問題に対しては、スライムの進化に関する数学的モデルが利用可能であり、コンピュータ実験や数学的解析を通じて、最も短い経路問題を解くことが示されている。 本稿では,ネットワーク設計問題に対するダイナミクスを紹介する。 マルチ商品フロー問題を効率的に支援するネットワーク構築問題として,ネットワーク設計を定式化する。 計算機シミュレーションのダイナミクスを解析的に検討する。 シミュレーションは、ダイナミクスが効率的でエレガントなネットワークを構築することができることを示している。 理論的には、ネットワークのコストとネットワークを経由する要求をルーティングするコストを組み合わせることで、ダイナミクスが目標を最小化することを示している。 また、最適解の代替的特徴付けも与える。

関連論文リスト

• Deep multitask neural networks for solving some stochastic optimal control problems [0.0]
  本稿では,最適制御問題のクラスについて考察し,ニューラルネットワークを用いた効果的な解法を提案する。 マルチタスクニューラルネットワークをトレーニングするために,タスク間の学習を動的にバランスさせる新しいスキームを導入する。 実世界のデリバティブ価格問題に関する数値実験を通じて,本手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-23T17:20:48Z)
• Stacked networks improve physics-informed training: applications to neural networks and deep operator networks [0.9999629695552196]
  本稿では,物理インフォームドニューラルネットワークと演算子ネットワークを積み重ねる新しい多元性フレームワークを提案する。 物理インフォームドニューラルネットワークと演算子ネットワークの精度向上と必要なサイズ削減のために,スタックリングがいかに有効かを示す。
  論文  参考訳（メタデータ） (2023-11-11T05:43:54Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
  決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。 我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-01T19:00:11Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
  品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。 計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
  論文  参考訳（メタデータ） (2021-05-10T10:45:28Z)
• Learning Mesh-Based Simulation with Graph Networks [20.29893312074383]
  グラフニューラルネットワークを用いたメッシュベースのシミュレーション学習フレームワークであるMeshGraphNetsを紹介する。 その結果, 空気力学, 構造力学, 布など, 幅広い物理系の力学を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2020-10-07T13:34:49Z)
• A Principle of Least Action for the Training of Neural Networks [10.342408668490975]
  ネットワークの輸送マップに低運動エネルギー偏差バイアスが存在することを示し、このバイアスと一般化性能を関連づける。 本稿では,与えられたタスクの複雑さに自動的に適応する新しい学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-17T15:37:34Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。