論文の概要: Physics guided machine learning using simplified theories
- arxiv url: http://arxiv.org/abs/2012.13343v1
- Date: Fri, 18 Dec 2020 21:30:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 19:19:18.787130
- Title: Physics guided machine learning using simplified theories
- Title（参考訳）: 簡易理論を用いた物理誘導機械学習
- Authors: Suraj Pawar, Omer San, Burak Aksoylu, Adil Rasheed, Trond Kvamsdal
- Abstract要約: 機械学習、特にディープラーニングの最近の応用は、物理科学における統計推論アプローチの汎用性に対処する必要性を動機付ける。
このようなデータ駆動予測エンジンの精度を向上させるために,モジュール型物理誘導機械学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent applications of machine learning, in particular deep learning,
motivate the need to address the generalizability of the statistical inference
approaches in physical sciences. In this letter, we introduce a modular physics
guided machine learning framework to improve the accuracy of such data-driven
predictive engines. The chief idea in our approach is to augment the knowledge
of the simplified theories with the underlying learning process. To emphasise
on their physical importance, our architecture consists of adding certain
features at intermediate layers rather than in the input layer. To demonstrate
our approach, we select a canonical airfoil aerodynamic problem with the
enhancement of the potential flow theory. We include features obtained by a
panel method that can be computed efficiently for an unseen configuration in
our training procedure. By addressing the generalizability concerns, our
results suggest that the proposed feature enhancement approach can be
effectively used in many scientific machine learning applications, especially
for the systems where we can use a theoretical, empirical, or simplified model
to guide the learning module.
- Abstract（参考訳）: 機械学習、特にディープラーニングの最近の応用は、物理科学における統計的推論アプローチの一般化可能性に対処する必要性を動機付けている。
本稿では,データ駆動予測エンジンの精度向上を目的とした,モジュラー物理誘導機械学習フレームワークを提案する。
我々のアプローチの主なアイデアは、単純化された理論の知識を基礎となる学習プロセスで強化することである。
それらの物理的重要性を強調するため、アーキテクチャは入力層ではなく中間層に特定の機能を追加する。
本手法を実証するために, ポテンシャル流理論の強化により, 標準翼空力問題を選択する。
学習手順において,未確認構成に対して効率的に計算できるパネル法で得られた特徴を含む。
一般化可能性の問題に対処することで,提案手法が多くの科学的機械学習アプリケーション,特に理論的,経験的,あるいは単純化されたモデルを用いて学習モジュールを導くシステムにおいて効果的に利用できることを示唆する。
関連論文リスト
- Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial [0.0]
このチュートリアルは、エントロピー、自由エネルギー、そして機械学習に使用される変分推論のような高度なテクニックを掘り下げる。
物理的システムの振る舞いを深く理解することで、より効果的で信頼性の高い機械学習モデルが得られることを示す。
論文 参考訳（メタデータ） (2024-11-24T18:20:05Z) - Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。
データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
論文 参考訳（メタデータ） (2024-02-25T15:08:37Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Interpretable Meta-Learning of Physical Systems [4.343110120255532]
最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。
我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。
本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
論文 参考訳（メタデータ） (2023-12-01T10:18:50Z) - A Survey on Physics Informed Reinforcement Learning: Review and Open
Problems [25.3906503332344]
本稿では,強化学習アプローチにおける物理情報の導入に関する文献を概説する。
既存の研究を分類するためのバックボーンとして強化学習パイプラインを用いた新しい分類法を導入する。
この初期段階の分野は、実世界のシナリオにおける物理的な妥当性、精度、データ効率、適用性を高めて強化学習アルゴリズムを強化する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2023-09-05T02:45:18Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - The Potential of Machine Learning to Enhance Computational Fluid
Dynamics [0.696194614504832]
機械学習は、科学コンピューティングの中核技術になりつつある。
本稿では, 直接数値シミュレーションの高速化など, 影響の大きい分野をいくつか取り上げる。
コミュニティは、オープンソースソフトウェアのためのベンチマークシステムとベストプラクティスを引き続き確立することが不可欠である。
論文 参考訳（メタデータ） (2021-10-05T14:34:16Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Using machine-learning modelling to understand macroscopic dynamics in a
system of coupled maps [0.0]
本稿では,グローバルに結合した地図システムから生じるマクロな動きについて考察する。
我々は、機械学習アプローチと粗粒度プロセスの遷移確率の直接数値計算の両方を用いて、マクロ力学のための粗粒度マルコフプロセスを構築した。
我々は,アトラクタの有効次元,メモリ効果の持続性,ダイナミクスのマルチスケール構造について重要な情報を推測することができる。
論文 参考訳（メタデータ） (2020-11-08T15:38:12Z) - A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。
このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文 参考訳（メタデータ） (2020-03-02T10:32:21Z)
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。