Fugu-MT 論文翻訳(概要): Physics-based Deep Learning

論文の概要: Physics-based Deep Learning

arxiv url: http://arxiv.org/abs/2109.05237v1
Date: Sat, 11 Sep 2021 09:38:02 GMT
ステータス: 処理完了
システム内更新日: 2021-09-14 15:15:34.207465
Title: Physics-based Deep Learning
Title（参考訳）: 物理に基づく深層学習
Authors: Nils Thuerey and Philipp Holl and Maximilian Mueller and Patrick Schnell and Felix Trost and Kiwon Um
Abstract要約: デジタルブックには、物理シミュレーションの文脈におけるディープラーニングに関するあらゆることに関する実践的で包括的な紹介が含まれている。 Jupyterノートブックという形で手書きのコード例を加えて、すぐに始める。データからの標準的な教師付き学習以外にも、物理的損失の制約、より密結合した学習アルゴリズムと微分可能なシミュレーション、強化学習と不確実性モデリングについても検討する。
参考スコア（独自算出の注目度）: 22.248409468073145
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This digital book contains a practical and comprehensive introduction of everything related to deep learning in the context of physical simulations. As much as possible, all topics come with hands-on code examples in the form of Jupyter notebooks to quickly get started. Beyond standard supervised learning from data, we'll look at physical loss constraints, more tightly coupled learning algorithms with differentiable simulations, as well as reinforcement learning and uncertainty modeling. We live in exciting times: these methods have a huge potential to fundamentally change what computer simulations can achieve.
Abstract（参考訳）: このデジタルブックには、物理シミュレーションの文脈におけるディープラーニングに関連するすべての実践的で包括的な紹介が含まれている。可能な限り、すべてのトピックは、jupyterノートブックの形式でハンズオンコード例を使って、すぐに始めることができます。データからの標準的な教師付き学習以外にも、物理的損失の制約、より密結合した学習アルゴリズムと微分可能なシミュレーション、強化学習と不確実性モデリングについても検討する。これらの手法は、コンピュータシミュレーションが達成できることを根本的に変える大きな可能性を秘めています。

関連論文リスト

A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
論文参考訳（メタデータ） (2024-03-19T15:21:00Z)
Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
論文参考訳（メタデータ） (2023-03-03T21:55:04Z)
Deep Learning and Computational Physics (Lecture Notes) [0.5156484100374059]
ノートは、応用数学の強い背景を持つ典型的な工学の大学院生にアクセスできるべきである。深層学習アルゴリズムの理解を深めるために、計算物理学の概念を使う。いくつかの新しいディープラーニングアルゴリズムは、計算物理学の難解な問題を解くのに使える。
論文参考訳（メタデータ） (2023-01-03T03:56:19Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
今後のエクサスケール時代は次世代の物理シミュレーションを高解像度で提供しますこれらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
Continual Predictive Learning from Videos [100.27176974654559]
本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
論文参考訳（メタデータ） (2022-04-12T08:32:26Z)
Emulating Quantum Dynamics with Neural Networks via Knowledge Distillation [8.741611658931337]
高忠実な量子力学エミュレータは、複雑な物理系の時間進化を予測するのに使うことができる。機械学習に基づくエミュレータを構築するための効率的なトレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2022-03-19T00:21:39Z)
Evaluating Continual Learning Algorithms by Generating 3D Virtual Environments [66.83839051693695]
連続学習とは、人間や動物が特定の環境で徐々に学習する能力である。本稿では3次元仮想環境の最近の進歩を活用して,フォトリアリスティックな外観を持つ潜在的に長寿命な動的シーンの自動生成にアプローチすることを提案する。本論文の新たな要素は、シーンがパラメトリックな方法で記述され、エージェントが知覚する入力ストリームの視覚的複雑さを完全に制御できることである。
論文参考訳（メタデータ） (2021-09-16T10:37:21Z)
Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文参考訳（メタデータ） (2020-11-14T02:03:08Z)
Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文参考訳（メタデータ） (2020-06-09T17:14:08Z)
Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。