論文の概要: AdjointNet: Constraining machine learning models with physics-based
codes
- arxiv url: http://arxiv.org/abs/2109.03956v1
- Date: Wed, 8 Sep 2021 22:43:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-11 08:46:44.967506
- Title: AdjointNet: Constraining machine learning models with physics-based
codes
- Title（参考訳）: AdjointNet:物理ベースのコードによる機械学習モデルの制約
- Authors: Satish Karra, Bulbul Ahmmed, and Maruti K. Mudunuru
- Abstract要約: 本稿では,物理制約付き機械学習フレームワークであるAdjointNetを提案する。
提案するAdjointNetフレームワークは,パラメータ推定(および拡張による不確実性定量化)と,アクティブラーニングを用いた実験設計に利用できることを示す。
- 参考スコア（独自算出の注目度）: 0.17205106391379021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-informed Machine Learning has recently become attractive for learning
physical parameters and features from simulation and observation data. However,
most existing methods do not ensure that the physics, such as balance laws
(e.g., mass, momentum, energy conservation), are constrained. Some recent works
(e.g., physics-informed neural networks) softly enforce physics constraints by
including partial differential equation (PDE)-based loss functions but need
re-discretization of the PDEs using auto-differentiation. Training these neural
nets on observational data showed that one could solve forward and inverse
problems in one shot. They evaluate the state variables and the parameters in a
PDE. This re-discretization of PDEs is not necessarily an attractive option for
domain scientists that work with physics-based codes that have been developed
for decades with sophisticated discretization techniques to solve complex
process models and advanced equations of state. This paper proposes a physics
constrained machine learning framework, AdjointNet, allowing domain scientists
to embed their physics code in neural network training workflows. This
embedding ensures that physics is constrained everywhere in the domain.
Additionally, the mathematical properties such as consistency, stability, and
convergence vital to the numerical solution of a PDE are still satisfied. We
show that the proposed AdjointNet framework can be used for parameter
estimation (and uncertainty quantification by extension) and experimental
design using active learning. The applicability of our framework is
demonstrated for four flow cases. Results show that AdjointNet-based inversion
can estimate process model parameters with reasonable accuracy. These examples
demonstrate the applicability of using existing software with no changes in
source code to perform accurate and reliable inversion of model parameters.
- Abstract（参考訳）: 物理インフォームド機械学習は、最近、シミュレーションや観測データから物理パラメータや特徴を学習するのに魅力的なものになっている。
しかし、既存の方法の多くは、平衡の法則(質量、運動量、エネルギー保存など)が制約されていることを保証していない。
いくつかの最近の研究(例えば、物理インフォームドニューラルネットワーク)は、偏微分方程式(PDE)に基づく損失関数を含むことで、物理の制約をソフトに強制するが、自動微分を用いたPDEの再離散化が必要である。
これらのニューラルネットを観測データで訓練すると、1ショットで前方と逆の問題を解くことができた。
彼らはPDEの状態変数とパラメータを評価します。
PDEの再離散化は、複雑なプロセスモデルと高度な状態方程式を解くための高度な離散化技術を用いて何十年も開発されてきた物理ベースのコードを扱うドメイン科学者にとって、必ずしも魅力的な選択肢ではない。
本稿では、物理科学者がニューラルネットワークのトレーニングワークフローに物理コードを組み込むことができる物理制約付き機械学習フレームワークadjointnetを提案する。
この埋め込みにより、物理学は領域の至る所で制約される。
さらに、PDEの数値解に不可欠な一貫性、安定性、収束といった数学的性質も満たされている。
提案するAdjointNetフレームワークは,パラメータ推定(および拡張による不確実性定量化)と,アクティブラーニングを用いた実験設計に利用できることを示す。
本フレームワークの適用性は4つのフローケースに適用可能である。
その結果、AdjointNetベースの逆変換はプロセスモデルパラメータを妥当な精度で推定できることがわかった。
これらの例は、モデルパラメータの正確かつ信頼性の高い反転を実行するために、ソースコードを変更することなく既存のソフトウェアを使用することの適用性を示している。
関連論文リスト
- DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - Text2PDE: Latent Diffusion Models for Accessible Physics Simulation [7.16525545814044]
物理シミュレーションに潜時拡散モデルを適用する方法をいくつか紹介する。
提案手法は、現在のニューラルPDEソルバと、精度と効率の両面で競合することを示す。
スケーラブルで正確で使用可能な物理シミュレータを導入することで、ニューラルPDEソルバを実用化に近づけたいと思っています。
論文 参考訳（メタデータ） (2024-10-02T01:09:47Z) - Physics-informed Discretization-independent Deep Compositional Operator Network [1.2430809884830318]
我々はPDEパラメータと不規則領域形状の様々な離散表現に一般化できる新しい物理インフォームドモデルアーキテクチャを提案する。
ディープ・オペレーター・ニューラルネットワークにインスパイアされた我々のモデルは、パラメータの繰り返し埋め込みの離散化に依存しない学習を含む。
提案手法の精度と効率を数値計算により検証した。
論文 参考訳（メタデータ） (2024-04-21T12:41:30Z) - A Physics-driven GraphSAGE Method for Physical Process Simulations
Described by Partial Differential Equations [2.1217718037013635]
物理駆動型グラフSAGE法は不規則なPDEによって支配される問題を解くために提案される。
距離関連エッジ機能と特徴マッピング戦略は、トレーニングと収束を支援するために考案された。
ガウス特異性ランダム場源によりパラメータ化された熱伝導問題に対するロバストPDEサロゲートモデルの構築に成功した。
論文 参考訳（メタデータ） (2024-03-13T14:25:15Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2023-04-27T17:42:24Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Deep Physics Corrector: A physics enhanced deep learning architecture
for solving stochastic differential equations [0.0]
微分方程式(SDE)によって制御される物理系に対する新しいグレーボックスモデリングアルゴリズムを提案する。
提案手法はDeep Physics Corrector(DPC)と呼ばれ、SDEとDeep Neural Network(DNN)で表される近似物理学をブレンドする。
本論文では,本論文の4つのベンチマーク例について,提案したDPCの性能について述べる。
論文 参考訳（メタデータ） (2022-09-20T14:30:07Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - 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) - 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。