論文の概要: Physics perception in sloshing scenes with guaranteed thermodynamic consistency

• arxiv url: http://arxiv.org/abs/2106.13301v1
• Date: Thu, 24 Jun 2021 20:13:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-28 13:16:36.919592
• Title: Physics perception in sloshing scenes with guaranteed thermodynamic consistency
• Title（参考訳）: 熱力学的一貫性を保証したスロッシングシーンにおける物理知覚
• Authors: Beatriz Moya, Alberto Badias, David Gonzalez, Francisco Chinesta, Elias Cueto
• Abstract要約: 自由表面の測定からスロッシング液の完全な状態を知るための戦略を提案する。 我々のアプローチは、リカレントニューラルネットワーク(RNN)に基づいて、低次多様体に利用可能な限られた情報を投影する。
• 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: Physics perception very often faces the problem that only limited data or partial measurements on the scene are available. In this work, we propose a strategy to learn the full state of sloshing liquids from measurements of the free surface. Our approach is based on recurrent neural networks (RNN) that project the limited information available to a reduced-order manifold so as to not only reconstruct the unknown information, but also to be capable of performing fluid reasoning about future scenarios in real time. To obtain physically consistent predictions, we train deep neural networks on the reduced-order manifold that, through the employ of inductive biases, ensure the fulfillment of the principles of thermodynamics. RNNs learn from history the required hidden information to correlate the limited information with the latent space where the simulation occurs. Finally, a decoder returns data back to the high-dimensional manifold, so as to provide the user with insightful information in the form of augmented reality. This algorithm is connected to a computer vision system to test the performance of the proposed methodology with real information, resulting in a system capable of understanding and predicting future states of the observed fluid in real-time.
• Abstract（参考訳）: 物理知覚は、限られたデータやシーンの部分的な測定しか利用できないという問題に直面することが多い。 そこで本研究では,自由表面の測定から液滴の完全な状態を知るための戦略を提案する。 提案手法はリカレントニューラルネットワーク (RNN) に基づいて, 未知の情報を再構成するだけでなく, 将来のシナリオに関する流体推論をリアルタイムに行えるように, 最小次多様体に利用可能な限られた情報を投影する。 物理的に一貫した予測を得るために, 誘導バイアスを用いて熱力学の原理を満たすように, 減次多様体上でディープニューラルネットワークを訓練する。 RNNは歴史から、限られた情報とシミュレーションが起こる潜在空間を関連付けるために必要な隠れ情報を学ぶ。 最後に、デコーダがデータを高次元多様体に返却し、拡張現実の形でユーザに対して洞察力のある情報を提供する。 このアルゴリズムはコンピュータビジョンシステムに接続し,提案手法の性能を実情報で検証することにより,観測流体の将来状態をリアルタイムに理解・予測するシステムを実現する。

関連論文リスト

• Graph Neural Network-State Predictive Information Bottleneck (GNN-SPIB) approach for learning molecular thermodynamics and kinetics [0.0]
  本稿では,グラフニューラルネットワークと State Predictive Information Bottleneck を組み合わせた Graph Neural Network-State Predictive Information Bottleneck (GNN-SPIB) フレームワークを提案する。 提案手法は3つのベンチマークシステムで検証され, 速度の遅いプロセスにおいて, 本質的な構造, 熱力学, 運動学的な情報を予測する。 この手法は複雑なシステムに対して有望であり、事前に定義された反応座標や入力特徴を必要としない効果的なサンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-09-18T09:53:13Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Neural Incremental Data Assimilation [8.817223931520381]
  ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。 これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。 本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
  論文  参考訳（メタデータ） (2024-06-21T11:42:55Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Physics-informed Reinforcement Learning for Perception and Reasoning about Fluids [0.0]
  本研究では,流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。 本研究では,コモディティカメラで自由表面を観察した未確認液体の追跡(知覚)と解析(推論)を行う手法を開発した。
  論文  参考訳（メタデータ） (2022-03-11T07:01:23Z)
• 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)
• Physics-aware, deep probabilistic modeling of multiscale dynamics in the Small Data regime [0.0]
  本稿では,予測的,低次元粗粒度(CG)変数を同時に同定する確率論的視点を提供する。 我々は、CG進化法則の右辺を表すために、ディープニューラルネットワークの表現能力を活用している。 移動粒子の高次元システムにおいて,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-08T15:04:05Z)
• Deep learning of thermodynamics-aware reduced-order models from data [0.08699280339422537]
  大規模離散化物理系の関連する潜伏変数を学習するアルゴリズムを提案する。 次に、熱力学的に一貫性のあるディープニューラルネットワークを用いて、その時間進化を予測する。
  論文  参考訳（メタデータ） (2020-07-03T08:49:01Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。