論文の概要: PID-GAN: A GAN Framework based on a Physics-informed Discriminator for Uncertainty Quantification with Physics

• arxiv url: http://arxiv.org/abs/2106.02993v1
• Date: Sun, 6 Jun 2021 00:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 18:35:26.687717
• Title: PID-GAN: A GAN Framework based on a Physics-informed Discriminator for Uncertainty Quantification with Physics
• Title（参考訳）: pid-gan:不確実性定量化のための物理形判別器に基づくganフレームワーク
• Authors: Arka Daw, M. Maruf, Anuj Karpatne
• Abstract要約: 科学的応用においては、物理の知識を持つ深層学習モデルを学習して、物理的に一貫した一般化された解を生成することが重要である。 本稿では,PID-GANと呼ばれる新しい物理インフォーム型GANアーキテクチャを提案する。 提案するPID-GANフレームワークは,複数損失項からのジェネレータ勾配の不均衡に悩まされないことを示す。
• 参考スコア（独自算出の注目度）: 2.4309139330334846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As applications of deep learning (DL) continue to seep into critical scientific use-cases, the importance of performing uncertainty quantification (UQ) with DL has become more pressing than ever before. In scientific applications, it is also important to inform the learning of DL models with knowledge of physics of the problem to produce physically consistent and generalized solutions. This is referred to as the emerging field of physics-informed deep learning (PIDL). We consider the problem of developing PIDL formulations that can also perform UQ. To this end, we propose a novel physics-informed GAN architecture, termed PID-GAN, where the knowledge of physics is used to inform the learning of both the generator and discriminator models, making ample use of unlabeled data instances. We show that our proposed PID-GAN framework does not suffer from imbalance of generator gradients from multiple loss terms as compared to state-of-the-art. We also empirically demonstrate the efficacy of our proposed framework on a variety of case studies involving benchmark physics-based PDEs as well as imperfect physics. All the code and datasets used in this study have been made available on this link : https://github.com/arkadaw9/PID-GAN.
• Abstract（参考訳）: 深層学習(DL)の応用が重要な科学的ユースケースに浸透し続けている中、DLによる不確実性定量化(UQ)の実行の重要性は、これまで以上に強くなっている。 科学的応用においては、物理の知識でDLモデルの学習を伝え、物理的に一貫した一般化された解を生成することも重要である。 これを物理情報深層学習(PIDL)の新興分野と呼ぶ。 我々は, uq も実行できる pidl 定式化の開発の問題を考える。 この目的のために, pid-ganと呼ばれる新しい物理形ganアーキテクチャを提案する。そこでは, 生成器と判別器の両方のモデルの学習に物理学の知識を用い, ラベルなしのデータインスタンスを多用する。 提案するPID-GANフレームワークは,複数損失項からのジェネレータ勾配の不均衡に悩まされないことを示す。 また、ベンチマーク物理に基づくPDEと不完全な物理を含む様々なケーススタディにおいて、提案フレームワークの有効性を実証的に実証した。 この研究で使用されたすべてのコードとデータセットは、このリンクで利用可能である。

関連論文リスト

• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Opening the Black Box: Towards inherently interpretable energy data imputation models using building physics insight [0.0]
  本稿では, 物理インフォームド・デノイング・オートエンコーダ (PI-DAE) を用いて, 商業ビルにおけるデータ計算の欠如について検討する。 特に,提案手法は物理に着想を得たソフト制約をデノナイジングオートエンコーダ(DAE)の損失関数に適用する。
  論文  参考訳（メタデータ） (2023-11-28T09:34:44Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Physics-Informed Deep Learning For Traffic State Estimation: A Survey and the Outlook [7.656272344163666]
  物理インフォームド・ディープ・ラーニング(PIDL)は物理モデルとディープ・ニューラル・ネットワーク(DNN)をハイブリッド化するパラダイムである PIDLを様々な領域や問題に適用する上で重要な課題のひとつは、物理とDNNを統合する計算グラフの設計にある。 本稿では、PIDL計算グラフの様々なアーキテクチャ設計と、これらの構造が交通状態推定(TSE)にどのようにカスタマイズされるかについて述べる。
  論文  参考訳（メタデータ） (2023-03-03T16:32:37Z)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• Physics-guided deep learning for data scarcity [23.885971319823547]
  物理誘導ディープラーニング(英: Physics-guided Deep Learning, PGDL)は、ニューラルネットワークのトレーニングに物理法則を統合する新しいタイプのDLである。 力学、ファイナンス、医療応用などの物理法則によって制御され、管理されるあらゆるシステムに使用することができる。 本稿では、PGDLの詳細を解明し、様々なアプリケーションにおけるデータ不足に関するPGDLの構造化概要について述べる。
  論文  参考訳（メタデータ） (2022-11-24T01:03:21Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)
• Hard Encoding of Physics for Learning Spatiotemporal Dynamics [8.546520029145853]
  既知の物理知識を強制的にエンコードして,データ駆動的な学習を容易にするディープラーニングアーキテクチャを提案する。 物理学の強制符号化メカニズムは、ペナルティに基づく物理学による学習と根本的に異なるが、ネットワークが与えられた物理学に厳密に従うことを保証する。
  論文  参考訳（メタデータ） (2021-05-02T21:40:39Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。