論文の概要: Identification of state functions by physically-guided neural networks
with physically-meaningful internal layers
- arxiv url: http://arxiv.org/abs/2011.08567v1
- Date: Tue, 17 Nov 2020 11:26:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:15:11.162421
- Title: Identification of state functions by physically-guided neural networks
with physically-meaningful internal layers
- Title（参考訳）: 物理的に有意な内部層を有するニューラルネットワークによる状態関数の同定
- Authors: Jacobo Ayensa-Jim\'enez, Mohamed H. Doweidar, Jose Antonio
Sanz-Herrera, Manuel Doblar\'e
- Abstract要約: 我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。
このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
- 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: Substitution of well-grounded theoretical models by data-driven predictions
is not as simple in engineering and sciences as it is in social and economic
fields. Scientific problems suffer most times from paucity of data, while they
may involve a large number of variables and parameters that interact in complex
and non-stationary ways, obeying certain physical laws. Moreover, a
physically-based model is not only useful for making predictions, but to gain
knowledge by the interpretation of its structure, parameters, and mathematical
properties. The solution to these shortcomings seems to be the seamless
blending of the tremendous predictive power of the data-driven approach with
the scientific consistency and interpretability of physically-based models. We
use here the concept of physically-constrained neural networks (PCNN) to
predict the input-output relation in a physical system, while, at the same time
fulfilling the physical constraints. With this goal, the internal hidden state
variables of the system are associated with a set of internal neuron layers,
whose values are constrained by known physical relations, as well as any
additional knowledge on the system. Furthermore, when having enough data, it is
possible to infer knowledge about the internal structure of the system and, if
parameterized, to predict the state parameters for a particular input-output
relation. We show that this approach, besides getting physically-based
predictions, accelerates the training process, reduces the amount of data
required to get similar accuracy, filters partly the intrinsic noise in the
experimental data and provides improved extrapolation capacity.
- Abstract（参考訳）: データ駆動予測による基礎理論モデルの置換は、工学や科学において社会や経済の分野ほど単純ではない。
科学的な問題はデータのpaucityに苦しむことが多いが、ある種の物理法則に従って、複雑で非定常な方法で相互作用する多数の変数やパラメータが関係している可能性がある。
さらに、物理モデルは予測を行うだけでなく、その構造、パラメータ、数学的性質の解釈によって知識を得るのに有用である。
これらの欠点の解決策は、物理的にベースとしたモデルの科学的一貫性と解釈可能性と、データ駆動アプローチの驚くほど予測力のシームレスなブレンドであるようだ。
ここでは,物理的拘束型ニューラルネットワーク(pcnn)の概念を用いて,物理システムにおける入出力関係を予測し,同時に物理的制約を満たす。
この目標を達成するために、システムの内部隠れ状態変数は、既知の物理的関係によって制約される一連の内部ニューロン層と関連付けられ、システムに関する追加の知識も含んでいる。
さらに、十分なデータを持つ場合、システムの内部構造に関する知識を推測し、パラメータ化すれば、特定の入出力関係の状態パラメータを予測することができる。
このアプローチは,身体的な予測を行うだけでなく,トレーニングプロセスを加速し,同様の精度を得るために必要なデータ量を削減し,実験データに含まれるノイズの一部をフィルタリングし,補間能力を向上させる。
関連論文リスト
- Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。
PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。
その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
論文 参考訳（メタデータ） (2024-10-02T08:58:30Z) - Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。
これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。
本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文 参考訳（メタデータ） (2024-06-21T11:42:55Z) - Incorporating sufficient physical information into artificial neural
networks: a guaranteed improvement via physics-based Rao-Blackwellization [0.0]
ラオ・ブラックウェル化の概念は、物理情報による人工ニューラルネットワークの予測を改善するために用いられる。
提案手法は材料モデリングに適用され, 収率関数の同定例で説明される。
論文 参考訳（メタデータ） (2023-11-10T16:05:46Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - On the application of Physically-Guided Neural Networks with Internal
Variables to Continuum Problems [0.0]
内部変数を用いた物理誘導型ニューラルネットワーク(PGNNIV)を提案する。
普遍的な物理法則は、あるニューロンの値がシステムの内部状態変数として解釈されるように、ニューラルネットワークの制約として使用される。
これにより、ネットワークの容量が拡大するだけでなく、より高速な収束、少ないデータ要求、追加のノイズフィルタリングといった予測特性も向上する。
トレーニングセットで測定可能な値のみを用いることで,予測的かつ説明的能力を示すことによって,この新たな方法論を連続的な物理問題に拡張する。
論文 参考訳（メタデータ） (2020-11-23T13:06:52Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z) - Incorporating physical constraints in a deep probabilistic machine
learning framework for coarse-graining dynamical systems [7.6146285961466]
本稿では,予測の不確実性の定量化を可能にする,データに基づく確率論的視点を提供する。
確率的状態空間モデルを用いて粗粒化過程を定式化する。
完全な微細なシステムの進化を再構築することができる。
論文 参考訳（メタデータ） (2019-12-30T16:07:46Z)
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。