論文の概要: IDRLnet: A Physics-Informed Neural Network Library

• arxiv url: http://arxiv.org/abs/2107.04320v1
• Date: Fri, 9 Jul 2021 09:18:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 22:09:27.850567
• Title: IDRLnet: A Physics-Informed Neural Network Library
• Title（参考訳）: idrlnet:物理に変形したニューラルネットワークライブラリ
• Authors: Wei Peng, Jun Zhang, Weien Zhou, Xiaoyu Zhao, Wen Yao, Xiaoqian Chen
• Abstract要約: 物理情報ニューラルネットワーク(英: Physics Informed Neural Network, PINN)は、前方および逆問題の両方を解決するために使用される科学計算フレームワークである。 本稿では,PINNによる問題をモデル化および解決するためのPythonツールボックスであるIDRLnetを紹介する。
• 参考スコア（独自算出の注目度）: 9.877979064734802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics Informed Neural Network (PINN) is a scientific computing framework used to solve both forward and inverse problems modeled by Partial Differential Equations (PDEs). This paper introduces IDRLnet, a Python toolbox for modeling and solving problems through PINN systematically. IDRLnet constructs the framework for a wide range of PINN algorithms and applications. It provides a structured way to incorporate geometric objects, data sources, artificial neural networks, loss metrics, and optimizers within Python. Furthermore, it provides functionality to solve noisy inverse problems, variational minimization, and integral differential equations. New PINN variants can be integrated into the framework easily. Source code, tutorials, and documentation are available at \url{https://github.com/idrl-lab/idrlnet}.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(英: Physics Informed Neural Network, PINN)は、偏微分方程式(英語版)(PDE)によってモデル化された前方および逆問題の両方を解決するための科学計算フレームワークである。 本稿では,PINNによる問題解決のためのPythonツールボックスであるIDRLnetを紹介する。 IDRLnetは、幅広いPINNアルゴリズムとアプリケーションのためのフレームワークを構築している。 幾何学的オブジェクト、データソース、人工ニューラルネットワーク、損失メトリクス、最適化をPythonに組み込む構造化された方法を提供する。 さらに、雑音の逆問題、変分最小化、積分微分方程式を解く機能を提供する。 新しいPINNの亜種は容易にフレームワークに統合できる。 ソースコード、チュートリアル、ドキュメントは \url{https://github.com/idrl-lab/idrlnet} で入手できる。

関連論文リスト

• PinnDE: Physics-Informed Neural Networks for Solving Differential Equations [0.0]
  我々は、PINNとDeepONetsの両方で微分方程式を解くためのオープンソースのピソンライブラリであるPinnDEを提案する。 PINNとDeepONetsの両方について簡単なレビューを行い、パッケージの構造と使用法とともにPinnDEを紹介し、その効果を示すための実例を示す。
  論文  参考訳（メタデータ） (2024-08-19T14:05:28Z)
• Reference Neural Operators: Learning the Smooth Dependence of Solutions of PDEs on Geometric Deformations [13.208548352092455]
  任意の形状の領域上の偏微分方程式に対して、ニューラル作用素の既存の研究は、幾何学から解への写像を学ぼうとする。 本稿では、幾何学的変形に対する解の滑らかな依存を学習するために、参照ニューラル演算子(RNO)を提案する。 RNOはベースラインモデルの精度を大きなリードで上回り、最大80%のエラー低減を達成する。
  論文  参考訳（メタデータ） (2024-05-27T06:50:17Z)
• A physics-informed neural network framework for modeling obstacle-related equations [3.687313790402688]
  物理インフォームドニューラルネットワーク(PINN)は、スパースデータとノイズデータに基づいて偏微分方程式を解く魅力的なツールである。 ここでは、PINNを拡張して障害物関連PDEを解くことで、計算上の大きな課題を提示します。 提案したPINNの性能は、正規および不規則な障害物を受ける線形および非線形PDEの複数のシナリオで実証される。
  論文  参考訳（メタデータ） (2023-04-07T09:22:28Z)
• Physics-informed PointNet: On how many irregular geometries can it solve an inverse problem simultaneously? Application to linear elasticity [58.44709568277582]
  物理インフォームドポイントネット(PIPN)は、PINNと完全に教師付き学習モデルの間のギャップを埋めるように設計されている。 PIPNは数百の領域で所望の偏微分方程式の解を同時に予測する。 具体的には、PIPNは、異なるジオメトリを持つ500以上の領域にまたがる平面応力問題の解を同時に予測する。
  論文  参考訳（メタデータ） (2023-03-22T06:49:34Z)
• $\Delta$-PINNs: physics-informed neural networks on complex geometries [2.1485350418225244]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式を含む前方および逆問題の解法において有望であることを示す。 現在までに、問題が解決されている領域のトポロジについて、PINNに知らせる明確な方法はない。 本稿では,Laplace-Beltrami演算子の固有関数に基づくPINNの新たな位置符号化機構を提案する。
  論文  参考訳（メタデータ） (2022-09-08T18:03:19Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Improved Training of Physics-Informed Neural Networks with Model Ensembles [81.38804205212425]
  我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。 すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。 提案手法は, 得られた解の精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-11T14:05:34Z)
• Finite Basis Physics-Informed Neural Networks (FBPINNs): a scalable domain decomposition approach for solving differential equations [20.277873724720987]
  我々はFBPINN(Finite Basis PINNs)と呼ばれる微分方程式に関連する大きな問題を解くための新しいスケーラブルなアプローチを提案する。 FBPINNは古典的有限要素法に着想を得ており、微分方程式の解はコンパクトな支持を持つ基底関数の有限集合の和として表される。 FBPINNでは、ニューラルネットワークを使ってこれらの基底関数を学習する。
  論文  参考訳（メタデータ） (2021-07-16T13:03:47Z)
• 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)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。