Fugu-MT 論文翻訳(概要): Continuous Convolutional Neural Networks: Coupled Neural PDE and ODE

論文の概要: Continuous Convolutional Neural Networks: Coupled Neural PDE and ODE

arxiv url: http://arxiv.org/abs/2111.00343v1
Date: Sat, 30 Oct 2021 21:45:00 GMT
ステータス: 処理完了
システム内更新日: 2021-11-02 16:23:59.363278
Title: Continuous Convolutional Neural Networks: Coupled Neural PDE and ODE
Title（参考訳）: 連続畳み込みニューラルネットワーク:結合型ニューラルPDEとODE
Authors: Mansura Habiba, Barak A. Pearlmutter
Abstract要約: 本研究では、物理システムの隠れた力学を学習できる畳み込みニューラルネットワーク(CNN)の変種を提案する。画像や時系列などの物理系を複数の層からなるシステムとして考えるのではなく、微分方程式(DE)の形でシステムをモデル化することができる。
参考スコア（独自算出の注目度）: 1.1897857181479061
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent work in deep learning focuses on solving physical systems in the Ordinary Differential Equation or Partial Differential Equation. This current work proposed a variant of Convolutional Neural Networks (CNNs) that can learn the hidden dynamics of a physical system using ordinary differential equation (ODEs) systems (ODEs) and Partial Differential Equation systems (PDEs). Instead of considering the physical system such as image, time -series as a system of multiple layers, this new technique can model a system in the form of Differential Equation (DEs). The proposed method has been assessed by solving several steady-state PDEs on irregular domains, including heat equations, Navier-Stokes equations.
Abstract（参考訳）: 深層学習における最近の研究は、通常の微分方程式や偏微分方程式における物理系の解法に焦点を当てている。この研究は、通常の微分方程式(ODE)システム(ODE)と部分微分方程式システム(PDE)を用いて物理系の隠れ力学を学習できる畳み込みニューラルネットワーク(CNN)の変種を提案した。画像や時系列などの物理系を複数の層からなるシステムとして考慮する代わりに、この新手法は微分方程式(DE)の形でシステムをモデル化することができる。提案手法は, 熱方程式, ナビエ・ストークス方程式などの不規則領域における定常 pdes の解法として評価されている。

関連論文リスト

Neural Laplace for learning Stochastic Differential Equations [0.0]
Neuralplaceは多種多様な微分方程式(DE)を学習するための統一的なフレームワークである DEの異なるクラスに対して、このフレームワークは通常の微分方程式(ODE)のクラスを学習することを目的としたニューラルネットワークに依存する他のアプローチよりも優れている。
論文参考訳（メタデータ） (2024-06-07T14:29:30Z)
Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs [85.40198664108624]
PDEを用いた多物理問題の解法として,コドメイン注意ニューラル演算子(CoDA-NO)を提案する。 CoDA-NOはコドメインやチャネル空間に沿った機能をトークン化し、複数のPDEシステムの自己教師付き学習や事前訓練を可能にする。 CoDA-NOは、データ制限のある複雑な下流タスクにおいて、既存のメソッドを36%以上上回ります。
論文参考訳（メタデータ） (2024-03-19T08:56:20Z)
Neural Fractional Differential Equations [2.812395851874055]
FDE(Fractional Differential Equations)は、科学や工学において複雑なシステムをモデル化するための重要なツールである。我々は、FDEをデータのダイナミックスに調整する新しいディープニューラルネットワークアーキテクチャであるNeural FDEを提案する。
論文参考訳（メタデータ） (2024-03-05T07:45:29Z)
Time and State Dependent Neural Delay Differential Equations [0.5249805590164901]
遅れた用語は、物理学や工学から医学、経済学まで、幅広い種類の問題の統治方程式で遭遇する。複数および状態依存の遅延と時間依存の遅延をモデル化できるフレームワークであるNeural State-Dependent DDEを導入する。提案手法は競争力があり,様々な遅延力学系における他の連続クラスモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-26T09:35:56Z)
Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文参考訳（メタデータ） (2022-07-28T19:59:14Z)
Neural Laplace: Learning diverse classes of differential equations in the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。 The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文参考訳（メタデータ） (2022-06-10T02:14:59Z)
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)
NeuralPDE: Modelling Dynamical Systems from Data [0.44259821861543996]
本稿では、畳み込みニューラルネットワーク(CNN)と微分可能なODEソルバを組み合わせて動的システムをモデル化するモデルであるNeuralPDEを提案する。標準PDEソルバで使用されるラインの手法は、CNNが任意のPDEダイナミクスをパラメトリズする自然な選択となる畳み込みを用いて表現できることを示す。我々のモデルは、PDEの管理に関する事前の知識を必要とせずに、あらゆるデータに適用することができる。
論文参考訳（メタデータ） (2021-11-15T10:59:52Z)
Multi-objective discovery of PDE systems using evolutionary approach [77.34726150561087]
本稿では,多目的共進化アルゴリズムについて述べる。システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
論文参考訳（メタデータ） (2021-03-11T15:37:52Z)
Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文参考訳（メタデータ） (2020-01-21T11:58:41Z)

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。