論文の概要: Conditionally Parameterized, Discretization-Aware Neural Networks for
Mesh-Based Modeling of Physical Systems
- arxiv url: http://arxiv.org/abs/2109.09510v1
- Date: Wed, 15 Sep 2021 20:21:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-26 22:32:08.511483
- Title: Conditionally Parameterized, Discretization-Aware Neural Networks for
Mesh-Based Modeling of Physical Systems
- Title（参考訳）: 物理系のメッシュモデリングのための条件パラメータ化離散化対応ニューラルネットワーク
- Authors: Jiayang Xu, Aniruddhe Pradhan, Karthik Duraisamy
- Abstract要約: 入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。
条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。
CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
- 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: The numerical simulations of physical systems are heavily dependent on
mesh-based models. While neural networks have been extensively explored to
assist such tasks, they often ignore the interactions or hierarchical relations
between input features, and process them as concatenated mixtures. In this
work, we generalize the idea of conditional parametrization -- using trainable
functions of input parameters to generate the weights of a neural network, and
extend them in a flexible way to encode information critical to the numerical
simulations. Inspired by discretized numerical methods, choices of the
parameters include physical quantities and mesh topology features. The
functional relation between the modeled features and the parameters are built
into the network architecture. The method is implemented on different networks,
which are applied to several frontier scientific machine learning tasks,
including the discovery of unmodeled physics, super-resolution of coarse
fields, and the simulation of unsteady flows with chemical reactions. The
results show that the conditionally parameterized networks provide superior
performance compared to their traditional counterparts. A network architecture
named CP-GNet is also proposed as the first deep learning model capable of
standalone prediction of reacting flows on irregular meshes.
- Abstract（参考訳）: 物理系の数値シミュレーションはメッシュモデルに大きく依存している。
ニューラルネットワークはそのようなタスクを支援するために広く研究されてきたが、入力特徴間の相互作用や階層的関係を無視し、それらを結合混合として処理することが多い。
本研究では,入力パラメータの学習可能な関数を用いてニューラルネットワークの重みを生成する条件付きパラメトリゼーションの考え方を一般化し,数値シミュレーションに不可欠な情報を柔軟にエンコードする手法を提案する。
離散化数値法に触発されて、パラメータの選択には物理量とメッシュトポロジの特徴が含まれる。
モデル化された特徴とパラメータの間の機能的関係は、ネットワークアーキテクチャに組み込まれている。
この方法は様々なネットワーク上に実装されており、非モデル化物理学の発見、粗い場の超解像、化学反応による非定常流れのシミュレーションなど、よりフロンティアな科学機械学習タスクに適用されている。
その結果,条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことがわかった。
CP-GNetと呼ばれるネットワークアーキテクチャも、不規則メッシュ上での反応フローのスタンドアロン予測が可能な最初のディープラーニングモデルとして提案されている。
関連論文リスト
- Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - Deep Learning-based surrogate models for parametrized PDEs: handling
geometric variability through graph neural networks [0.0]
本研究では,時間依存型PDEシミュレーションにおけるグラフニューラルネットワーク(GNN)の可能性について検討する。
本稿では,データ駆動型タイムステッピング方式に基づくサロゲートモデルを構築するための体系的戦略を提案する。
GNNは,計算効率と新たなシナリオへの一般化の観点から,従来の代理モデルに代わる有効な代替手段を提供することができることを示す。
論文 参考訳（メタデータ） (2023-08-03T08:14:28Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - MMGP: a Mesh Morphing Gaussian Process-based machine learning method for
regression of physical problems under non-parameterized geometrical
variability [0.30693357740321775]
本稿では,グラフニューラルネットワークに依存しない機械学習手法を提案する。
提案手法は, 明示的な形状パラメータ化を必要とせずに, 大きなメッシュを容易に扱うことができる。
論文 参考訳（メタデータ） (2023-05-22T09:50:15Z) - Simple initialization and parametrization of sinusoidal networks via
their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。
まず,このような正弦波ニューラルネットワークの簡易版を提案する。
次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文 参考訳（メタデータ） (2022-11-26T07:41:48Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - 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) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳（メタデータ） (2020-12-12T01:20:42Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - Learning Queuing Networks by Recurrent Neural Networks [0.0]
データから性能モデルを導出する機械学習手法を提案する。
我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。
これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
論文 参考訳（メタデータ） (2020-02-25T10:56:47Z)
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。