Fugu-MT 論文翻訳(概要): Differentiable Physics: A Position Piece

論文の概要: Differentiable Physics: A Position Piece

arxiv url: http://arxiv.org/abs/2109.07573v1
Date: Tue, 14 Sep 2021 15:08:54 GMT
ステータス: 処理完了
システム内更新日: 2021-09-17 16:28:22.795348
Title: Differentiable Physics: A Position Piece
Title（参考訳）: 微分可能な物理:ポジションピース
Authors: Bharath Ramsundar and Dilip Krishnamurthy and Venkatasubramanian Viswanathan
Abstract要約: 微分可能物理は、古典的解析解と微分可能プログラミングのブリッジを用いた数値的手法を組み合わせることによって、物理現象をモデル化するための新しいパラダイムを提供する。
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: Differentiable physics provides a new approach for modeling and understanding the physical systems by pairing the new technology of differentiable programming with classical numerical methods for physical simulation. We survey the rapidly growing literature of differentiable physics techniques and highlight methods for parameter estimation, learning representations, solving differential equations, and developing what we call scientific foundation models using data and inductive priors. We argue that differentiable physics offers a new paradigm for modeling physical phenomena by combining classical analytic solutions with numerical methodology using the bridge of differentiable programming.
Abstract（参考訳）: 微分可能物理は、物理シミュレーションのための古典的な数値法と微分可能プログラミングの新しい技術を組み合わせることによって、物理システムのモデリングと理解のための新しいアプローチを提供する。本研究では, パラメータ推定, 学習表現, 微分方程式の解法, データと帰納的先行モデルを用いた科学基礎モデルの開発など, 急速に発展している物理技術の文献を調査した。微分可能物理は、古典的解析解と微分可能プログラミングのブリッジを用いた数値的手法を組み合わせることによって、物理現象をモデル化するための新しいパラダイムを提供する。

関連論文リスト

Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文参考訳（メタデータ） (2024-11-18T11:58:20Z)
Integrating Physics-Informed Deep Learning and Numerical Methods for Robust Dynamics Discovery and Parameter Estimation [0.0]
本研究では,動的システム理論における2つの課題を解決するために,ディープラーニング手法と微分方程式の古典的数値法を組み合わせる。その結果,カオス力学を示す一連のテスト問題に対する提案手法の有効性が示された。
論文参考訳（メタデータ） (2024-10-05T22:40:02Z)
Differentiable Programming for Differential Equations: A Review [36.67198631261628]
微分可能プログラミングは現代の科学計算の基盤である。微分方程式の数値解に基づく微分関数は非自明である。本稿では、微分方程式の数値解の微分を計算するための既存の手法を概観する。
論文参考訳（メタデータ） (2024-06-14T03:54:25Z)
PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文参考訳（メタデータ） (2024-04-25T15:06:58Z)
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 the solution operator of two-dimensional incompressible Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
論文参考訳（メタデータ） (2023-08-04T05:09:06Z)
Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文参考訳（メタデータ） (2022-09-23T14:38:01Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes [9.119424247289857]
微分物理学は、シーンの理解と相互作用の推論のためのコンピュータとロボティクスの強力なツールである。既存のアプローチは、前もって単純な形状や形状のオブジェクトに限られていることが多い。
論文参考訳（メタデータ） (2021-11-30T11:56:24Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文参考訳（メタデータ） (2020-07-04T19:07:51Z)

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。