論文の概要: APIK: Active Physics-Informed Kriging Model with Partial Differential Equations

• arxiv url: http://arxiv.org/abs/2012.11798v1
• Date: Tue, 22 Dec 2020 02:31:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 03:09:25.031292
• Title: APIK: Active Physics-Informed Kriging Model with Partial Differential Equations
• Title（参考訳）: APIK:部分微分方程式を用いたアクティブ物理インフォームド・クリグモデル
• Authors: Jialei Chen, Zhehui Chen, Chuck Zhang, C. F. Jeff Wu
• Abstract要約: 本稿では,PDEポイントの集合を介してPDE情報を導入し,標準クリグ法と同様の後方予測を行うPDE Informed Kriging Model (PIK)を提案する。 学習性能をさらに向上させるために,PDEポイントをデザインし,PIKモデルと測定データに基づいたPDE情報を活用するアクティブPIKフレームワーク(APIK)を提案する。
• 参考スコア（独自算出の注目度）: 6.918364447822299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kriging (or Gaussian process regression) is a popular machine learning method for its flexibility and closed-form prediction expressions. However, one of the key challenges in applying kriging to engineering systems is that the available measurement data is scarce due to the measurement limitations and high sensing costs. On the other hand, physical knowledge of the engineering system is often available and represented in the form of partial differential equations (PDEs). We present in this work a PDE Informed Kriging model (PIK), which introduces PDE information via a set of PDE points and conducts posterior prediction similar to the standard kriging method. The proposed PIK model can incorporate physical knowledge from both linear and nonlinear PDEs. To further improve learning performance, we propose an Active PIK framework (APIK) that designs PDE points to leverage the PDE information based on the PIK model and measurement data. The selected PDE points not only explore the whole input space but also exploit the locations where the PDE information is critical in reducing predictive uncertainty. Finally, an expectation-maximization algorithm is developed for parameter estimation. We demonstrate the effectiveness of APIK in two synthetic examples, a shock wave case study, and a laser heating case study.
• Abstract（参考訳）: kriging(またはgaussian process regression)は、その柔軟性と閉形式予測式のための一般的な機械学習手法である。 しかし, 工学系への適用における重要な課題の1つは, 測定限界や高感度コストのため, 利用可能な測定データが不足している点である。 一方、工学系の物理的知識はしばしば利用可能であり、偏微分方程式(PDE)の形で表される。 本研究はPDEインフォームド・クリギング・モデル(PIK)で,PDE点の集合を通じてPDE情報を導入し,標準クリギング法と同様の後方予測を行う。 提案するpikモデルは線形および非線形pdesの物理知識を組み込むことができる。 そこで本研究では,PDEポイントを設計し,PIKモデルと測定データに基づいてPDE情報を活用する能動PIKフレームワーク(APIK)を提案する。 選択されたPDEポイントは、入力空間全体を探索するだけでなく、予測の不確実性を低減するためにPDE情報が重要となる場所を利用する。 最後にパラメータ推定のための期待最大化アルゴリズムを開発した。 衝撃波ケーススタディとレーザー加熱ケーススタディの2つの合成例において, APIKの有効性を実証した。

関連論文リスト

• Calibrated Physics-Informed Uncertainty Quantification [16.985414812517252]
  ラベル付きデータを必要としない保証された不確実性推定を提供する,モデルに依存しない物理インフォームドコンフォメーション予測(CP)フレームワークを提案する。 我々は、データから生じる不確実性ではなく、モデルとPDEの不整合を定量化し、キャリブレーションすることができる。
  論文  参考訳（メタデータ） (2025-02-06T09:23:06Z)
• How to Re-enable PDE Loss for Physical Systems Modeling Under Partial Observation [2.8953519440756548]
  RPLPO(Re-enable PDE Loss)と呼ばれる新しいフレームワークを提案する。 RPLPOは学習可能な高解像度状態を再構築するための符号化モジュールと、将来の状態を予測するための遷移モジュールを組み合わせる。 各種物理系で実験を行い,RPLPOが疎外,不規則,ノイズ,PDEが不正確であっても,一般化において顕著に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-12-12T09:51:18Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  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(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
  広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。 私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。 Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-05-27T15:34:35Z)
• Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
  定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。 定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
  論文  参考訳（メタデータ） (2023-11-30T22:34:57Z)
• Reduced-order modeling for parameterized PDEs via implicit neural representations [4.135710717238787]
  我々は、パラメータ化偏微分方程式(PDE)を効率的に解くために、新しいデータ駆動型低次モデリング手法を提案する。 提案フレームワークは、PDEを符号化し、パラメトリゼーションニューラルネットワーク(PNODE)を用いて、複数のPDEパラメータを特徴とする潜時ダイナミクスを学習する。 我々は,提案手法を大規模なレイノルズ数で評価し,O(103)の高速化と,基底真理値に対する1%の誤差を得る。
  論文  参考訳（メタデータ） (2023-11-28T01:35:06Z)
• Physics-constrained robust learning of open-form partial differential equations from limited and noisy data [1.50528618730365]
  本研究では,自由形式偏微分方程式(PDE)を有限・雑音データから頑健に解明する枠組みを提案する。 ニューラルネットワークに基づく予測モデルは、システム応答に適合し、生成されたPDEに対する報酬評価器として機能する。 数値実験により, 非線形力学系から, 極めてノイズの多いデータで支配方程式を発見できることを示す。
  論文  参考訳（メタデータ） (2023-09-14T12:34:42Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Discovering Nonlinear PDEs from Scarce Data with Physics-encoded Learning [11.641708412097659]
  ノイズや少ないデータからPDEを発見するための物理符号化離散学習フレームワークを提案する。 3つの非線形PDEシステムに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-01-28T07:49:48Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)

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。