論文の概要: Physics-informed neural networks for the shallow-water equations on the
sphere
- arxiv url: http://arxiv.org/abs/2104.00615v1
- Date: Thu, 1 Apr 2021 16:47:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:46:38.349340
- Title: Physics-informed neural networks for the shallow-water equations on the
sphere
- Title(参考訳): 球面上の浅水方程式に対する物理インフォームドニューラルネットワーク
- Authors: Alex Bihlo and Roman O. Popovych
- Abstract要約: 物理誘導ニューラルネットワークは、所定の初期および境界データと共に微分方程式を満たすように訓練される。
比較的長い時間間隔のテストケースに取り組むための単純なマルチモデルアプローチを提案する。
- 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: We propose the use of physics-informed neural networks for solving the
shallow-water equations on the sphere. Physics-informed neural networks are
trained to satisfy the differential equations along with the prescribed initial
and boundary data, and thus can be seen as an alternative approach to solving
differential equations compared to traditional numerical approaches such as
finite difference, finite volume or spectral methods. We discuss the training
difficulties of physics-informed neural networks for the shallow-water
equations on the sphere and propose a simple multi-model approach to tackle
test cases of comparatively long time intervals. We illustrate the abilities of
the method by solving the most prominent test cases proposed by Williamson et
al. [J. Comput. Phys. 102, 211-224, 1992].
- Abstract(参考訳): 球面上の浅水方程式の解法として物理インフォームドニューラルネットワークを提案する。
物理インフォームドニューラルネットワークは、所定の初期および境界データとともに微分方程式を満足するように訓練されており、有限差分、有限体積、スペクトル法といった従来の数値的手法と比較して微分方程式を解くための代替手法とみなすことができる。
球面上の浅水方程式に対する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困難について検討し、比較的長い時間間隔のテストケースに取り組むための簡易なマルチモデルアプローチを提案する。
ウィリアムソンらによって提唱された最も顕著なテストケースを解決することで,この手法の能力を示す。
[J.Comput]
Phys
102, 211-224, 1992].
関連論文リスト
- Learning the solution operator of two-dimensional incompressible
Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。
物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
論文 参考訳(メタデータ) (2023-08-04T05:09:06Z) - Super-resolving sparse observations in partial differential equations: A
physics-constrained convolutional neural network approach [6.85316573653194]
非線形偏微分方程式のスパース観測から高分解能解を推定する物理制約畳み込みニューラルネットワーク(CNN)を提案する。
データセットの事前の物理知識を制約することにより、高解像度のトレーニングを使わずに未解決の物理力学を推測できることが示される。
論文 参考訳(メタデータ) (2023-06-19T15:00:04Z) - An Analysis of Physics-Informed Neural Networks [0.0]
我々は物理システム – 物理インフォームドニューラルネットワーク – に対する解を近似する新しいアプローチを提案する。
人工ニューラルネットワークの概念を導入し、目的関数を定義し、最適化戦略について議論する。
偏微分方程式は、問題の損失関数の制約として含まれ、ネットワークがモデリングしている物理系の力学の知識にアクセスできる。
論文 参考訳(メタデータ) (2023-03-06T04:45:53Z) - 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) - Deep Learning for the Benes Filter [91.3755431537592]
本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。
ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
論文 参考訳(メタデータ) (2022-03-09T14:08:38Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳(メタデータ) (2022-02-24T20:46:52Z) - One-Shot Transfer Learning of Physics-Informed Neural Networks [2.6084034060847894]
本稿では,通常の微分方程式と偏微分方程式の両方の線形系に対して,一発の推論結果をもたらす伝達学習PINNの枠組みを提案する。
これは、多くの未知の微分方程式に対する高精度な解は、ネットワーク全体を再訓練することなく瞬時に得られることを意味する。
論文 参考訳(メタデータ) (2021-10-21T17:14:58Z) - 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) - On the Pareto Front of Physics-Informed Neural Networks [7.41244589428771]
本稿では,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プロセスについて光を当てる。
本稿では,多目的最適化におけるシステムパラメータの役割を示す。
論文 参考訳(メタデータ) (2021-05-03T13:47:45Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - Partial Differential Equations is All You Need for Generating Neural
Architectures -- A Theory for Physical Artificial Intelligence Systems [29.667065357274385]
統計物理学では反応拡散方程式、量子力学ではschr"odinger方程式、同軸光学ではhelmholtz方程式を一般化する。
数値解を求めるために,有限差分法を用いてNPDEを判別する。
多層パーセプトロン、畳み込みニューラルネットワーク、繰り返しニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構成要素が生成されます。
論文 参考訳(メタデータ) (2021-03-10T00:05:46Z)
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。