Fugu-MT 論文翻訳(概要): Physics-informed neural networks (PINNs) for fluid mechanics: A review

論文の概要: Physics-informed neural networks (PINNs) for fluid mechanics: A review

arxiv url: http://arxiv.org/abs/2105.09506v1
Date: Thu, 20 May 2021 04:14:55 GMT
ステータス: 処理完了
システム内更新日: 2021-05-21 13:24:53.831330
Title: Physics-informed neural networks (PINNs) for fluid mechanics: A review
Title（参考訳）: 流体力学のための物理インフォームドニューラルネットワーク(PINN)
Authors: Shengze Cai, Zhiping Mao, Zhicheng Wang, Minglang Yin, George Em Karniadakis
Abstract要約: 我々は、フロー物理インフォームドラーニングをレビューし、シームレスなデータと数学的モデルを統合し、それらを物理インフォームドニューラルネットワーク(PINN)を用いて実装する。本稿では,3次元の流路流,超音速流,生体医療流に関連する逆問題に対するPINNの有効性を示す。
参考スコア（独自算出の注目度）: 1.9745102136342436
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite the significant progress over the last 50 years in simulating flow problems using numerical discretization of the Navier-Stokes equations (NSE), we still cannot incorporate seamlessly noisy data into existing algorithms, mesh-generation is complex, and we cannot tackle high-dimensional problems governed by parametrized NSE. Moreover, solving inverse flow problems is often prohibitively expensive and requires complex and expensive formulations and new computer codes. Here, we review flow physics-informed learning, integrating seamlessly data and mathematical models, and implementing them using physics-informed neural networks (PINNs). We demonstrate the effectiveness of PINNs for inverse problems related to three-dimensional wake flows, supersonic flows, and biomedical flows.
Abstract（参考訳）: ナヴィエ・ストークス方程式(NSE)の数値離散化を用いた流れ問題のシミュレーションにおいて,過去50年間の著しい進歩にもかかわらず,メッシュ生成は複雑であり,パラメータ化NSEによる高次元問題に対処できない。さらに、逆流問題の解法は、しばしば高額であり、複雑で高価な定式化と新しいコンピュータコードを必要とする。本稿では,フロー物理学に基づく学習を概観し,データと数理モデルをシームレスに統合し,物理計算型ニューラルネットワーク(pinns)を用いてそれらを実装する。三次元後流, 超音速流, 生物医学的流れに関連する逆問題に対するピンの効果を実証する。

関連論文リスト

Equation identification for fluid flows via physics-informed neural networks [46.29203572184694]
回転流を伴う2次元バーガー方程式のパラメトリックスリープに基づく逆PINNに対する新しいベンチマーク問題を提案する。本稿では,一階最適化と二階最適化を交互に行う新しい戦略が,パラメータ推定の典型的な一階最適化よりも優れていることを示す。
論文参考訳（メタデータ） (2024-08-30T13:17:57Z)
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)
Deep Random Vortex Method for Simulation and Inference of Navier-Stokes Equations [69.5454078868963]
ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。 AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
論文参考訳（メタデータ） (2022-06-20T04:58:09Z)
Physics-informed deep-learning applications to experimental fluid mechanics [2.992602379681373]
低分解能および雑音測定による流れ場データの高分解能再構成は実験流体力学において重要である。ディープラーニングのアプローチは、このような超高解像度なタスクに適していることが示されている。本研究では,物理インフォームドニューラルネットワーク(PINN)を時間空間における流れ場データの超解像に適用する。
論文参考訳（メタデータ） (2022-03-29T09:58:30Z)
A fully-differentiable compressible high-order computational fluid dynamics solver [0.0]
圧縮可能なナビエ・ストークス方程式は圧縮可能な流れを制御し、乱流や衝撃のような複雑な現象を許容する。ハードウェアとソフトウェアが著しく進歩したにもかかわらず、流体流の最小のスケールでは、現実のアプリケーションでは計算コストが禁じられている。本稿では,高次数値計算法を用いて圧縮性流体の計算を行うための,完全微分可能な3次元フレームワークを提案する。
論文参考訳（メタデータ） (2021-12-09T15:18:51Z)
Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文参考訳（メタデータ） (2021-09-29T07:46:54Z)
Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文参考訳（メタデータ） (2021-09-02T16:06:45Z)
Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-07-16T12:56:09Z)
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)
Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文参考訳（メタデータ） (2020-02-24T21:51:53Z)

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。