論文の概要: Physics-informed Convolutional Neural Networks for Temperature Field
Prediction of Heat Source Layout without Labeled Data
- arxiv url: http://arxiv.org/abs/2109.12482v1
- Date: Sun, 26 Sep 2021 03:24:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:52:58.420703
- Title: Physics-informed Convolutional Neural Networks for Temperature Field
Prediction of Heat Source Layout without Labeled Data
- Title（参考訳）: ラベル付きデータを用いない熱源配置の温度場予測のための物理インフォーム畳み込みニューラルネットワーク
- Authors: Xiaoyu Zhao, Zhiqiang Gong, Yunyang Zhang, Wen Yao, Xiaoqian Chen
- Abstract要約: 本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。
ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
- 参考スコア（独自算出の注目度）: 9.71214034180507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, surrogate models based on deep learning have attracted much
attention for engineering analysis and optimization. As the construction of
data pairs in most engineering problems is time-consuming, data acquisition is
becoming the predictive capability bottleneck of most deep surrogate models,
which also exists in surrogate for thermal analysis and design. To address this
issue, this paper develops a physics-informed convolutional neural network
(CNN) for the thermal simulation surrogate. The network can learn a mapping
from heat source layout to the steady-state temperature field without labeled
data, which equals solving an entire family of partial difference equations
(PDEs). To realize the physics-guided training without labeled data, we employ
the heat conduction equation and finite difference method to construct the loss
function. Since the solution is sensitive to boundary conditions, we properly
impose hard constraints by padding in the Dirichlet and Neumann boundary
conditions. In addition, the neural network architecture is well-designed to
improve the prediction precision of the problem at hand, and pixel-level online
hard example mining is introduced to overcome the imbalance of optimization
difficulty in the computation domain. The experiments demonstrate that the
proposed method can provide comparable predictions with numerical method and
data-driven deep learning models. We also conduct various ablation studies to
investigate the effectiveness of the network component and training methods
proposed in this paper.
- Abstract（参考訳）: 近年,深層学習に基づくサロゲートモデルが工学的解析と最適化に注目されている。
ほとんどのエンジニアリング問題におけるデータペアの構築には時間がかかるため、データ取得は、熱分析と設計のためにサーロゲートに存在するほとんどのディープサーロゲートモデルの予測能力ボトルネックになりつつある。
この問題に対処するために,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。
ネットワークは、熱源配置から、ラベル付きデータなしで定常的な温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
ラベル付きデータを使わずに物理誘導訓練を実現するために,熱伝導方程式と有限差分法を用いて損失関数を構築する。
この解は境界条件に敏感であるため、ディリクレとノイマンの境界条件をパディングすることで厳密な制約を適切に課す。
また,目の前の問題の予測精度を向上させるためにニューラルネットワークアーキテクチャをよく設計し,計算領域における最適化難易度の不均衡を克服するために,画素レベルのオンラインハードサンプルマイニングを導入する。
提案手法は,数値的手法とデータ駆動型深層学習モデルで同等の予測を行うことができることを示す。
また,本論文で提案するネットワークコンポーネントとトレーニング手法の有効性を検討するため,様々なアブレーション研究を行った。
関連論文リスト
- Data Scoping: Effectively Learning the Evolution of Generic Transport PDEs [0.0]
輸送PDEは、質量、運動量、エネルギー保存を記述する時間依存偏微分方程式(PDE)によって制御される。
ディープラーニングアーキテクチャは、これらのPDEのシミュレーションと根本的に相容れない。
本稿では,局所特性を予測するための情報範囲を制限するために,線形時間複雑性を持つ分散データスコーピング手法を提案する。
論文 参考訳（メタデータ） (2024-05-02T14:24:56Z) - Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳（メタデータ） (2023-06-28T18:14:22Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライン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） (2023-06-28T12:02:27Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - 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) - A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain [12.264200001067797]
本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。
数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
論文 参考訳（メタデータ） (2022-03-15T08:43:24Z) - Heat Conduction Plate Layout Optimization using Physics-driven
Convolutional Neural Networks [14.198900757461555]
熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。
データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。
本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
論文 参考訳（メタデータ） (2022-01-21T10:43:57Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field
Prediction of Heat Source Layout [0.0]
ディープニューラルネットワーク(DNN)回帰法は、その優れた計算性能のために実現可能な方法です。
本稿では,DNNベースのサロゲートモデリングタスクベンチマークを提案する。
実験は10の最先端のDNNモデルで行われます。
論文 参考訳（メタデータ） (2021-03-20T13:26:21Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - An unsupervised learning approach to solving heat equations on chip
based on Auto Encoder and Image Gradient [0.43512163406551996]
チップ上での熱伝達方程式を解くことは、今後の5GおよびAIチップパッケージシステムにおいて非常に重要になる。
データ駆動方式はデータ飢餓に対処するため,物理情報ニューラルネットワーク(PINN)が提案されている。
本稿では,データを用いずにチップ上での熱伝達方程式を解くための教師なし学習手法について検討する。
論文 参考訳（メタデータ） (2020-07-19T15:01:01Z)
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。