論文の概要: Physics-guided Loss Functions Improve Deep Learning Performance in
Inverse Scattering
- arxiv url: http://arxiv.org/abs/2111.09109v1
- Date: Sat, 13 Nov 2021 16:36:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 15:27:13.659176
- Title: Physics-guided Loss Functions Improve Deep Learning Performance in
Inverse Scattering
- Title(参考訳): 物理誘導損失関数による逆散乱の深層学習性能の向上
- Authors: Zicheng Liu, Mayank Roy, Dilip K. Prasad, Krishna Agarwal
- Abstract要約: ディープニューラルネットワーク(DNN)技術は、電磁逆散乱問題にうまく応用されている。
トレーニングプロセスにおいて,身体現象が効果的に組み込まれないことを示す。
多重散乱に基づく近接場量を含む損失関数の新しい設計法を提案する。
- 参考スコア(独自算出の注目度): 13.529767949868248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solving electromagnetic inverse scattering problems (ISPs) is challenging due
to the intrinsic nonlinearity, ill-posedness, and expensive computational cost.
Recently, deep neural network (DNN) techniques have been successfully applied
on ISPs and shown potential of superior imaging over conventional methods. In
this paper, we analyse the analogy between DNN solvers and traditional
iterative algorithms and discuss how important physical phenomena cannot be
effectively incorporated in the training process. We show the importance of
including near-field priors in the learning process of DNNs. To this end, we
propose new designs of loss functions which incorporate multiple-scattering
based near-field quantities (such as scattered fields or induced currents
within domain of interest). Effects of physics-guided loss functions are
studied using a variety of numerical experiments. Pros and cons of the
investigated ISP solvers with different loss functions are summarized.
- Abstract(参考訳): 電磁的逆散乱問題(ISP)の解法は、固有の非線形性、不適切性、高価な計算コストのために困難である。
近年,深層ニューラルネットワーク(dnn)技術がispに適用され,従来法よりも優れた画像化が可能となった。
本稿では,dnnソルバと従来の反復アルゴリズムの類似性を解析し,物理現象が学習プロセスに効果的に組み入れられないかについて議論する。
我々は,DNNの学習過程において,近接場事前を含めることの重要性を示す。
本研究では,多重散乱に基づく近接場量(領域内の散乱場や誘導電流など)を組み込んだ損失関数の新しい設計を提案する。
物理誘導損失関数の効果は様々な数値実験を用いて研究されている。
損失関数の異なるISPソルバの長所と短所を要約する。
関連論文リスト
- Learnable Activation Functions in Physics-Informed Neural Networks for Solving Partial Differential Equations [0.0]
物理情報ネットワーク(PINN)における学習可能なアクティベーション関数を用いた部分微分方程式(PDE)の解法について検討する。
従来のMLP(Multilayer Perceptrons)とKAN(Kolmogorov-Arnold Neural Networks)に対する固定および学習可能なアクティベーションの比較を行った。
この発見は、PDEソルバのトレーニング効率、収束速度、テスト精度のバランスをとるニューラルネットワークアーキテクチャの設計に関する洞察を提供する。
論文 参考訳(メタデータ) (2024-11-22T18:25:13Z) - Spectral Informed Neural Network: An Efficient and Low-Memory PINN [3.8534287291074354]
本稿では、微分演算子を乗法で置き換えるスペクトルベースニューラルネットワークを提案する。
PINNと比較して、我々のアプローチはメモリの削減とトレーニング時間の短縮を必要とする。
我々は、スペクトル情報を用いてネットワークを訓練する2つの戦略を提供する。
論文 参考訳(メタデータ) (2024-08-29T10:21:00Z) - Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。
主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
論文 参考訳(メタデータ) (2023-09-27T15:41:12Z) - On the uncertainty analysis of the data-enabled physics-informed neural
network for solving neutron diffusion eigenvalue problem [4.0275959184316825]
いくつかの観点から中性子拡散固有値問題の計算におけるDEPINNの性能について検討する。
ノイズの影響を低減し,ノイズ先行データの利用を改善するために,革新的な区間損失関数を提案する。
本稿では, 原子炉物理の実用化に向けた改良型DEPINNの実現可能性を確認する。
論文 参考訳(メタデータ) (2023-03-15T08:59:03Z) - 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) - Ensemble learning for Physics Informed Neural Networks: a Gradient Boosting approach [10.250994619846416]
段階的強化(GB)と呼ばれる新しい訓練パラダイムを提案する。
与えられたPDEの解を1つのニューラルネットワークで直接学習する代わりに、我々のアルゴリズムは、より優れた結果を得るために、一連のニューラルネットワークを用いています。
この研究は、PINNでアンサンブル学習技術を採用するための扉も開ける。
論文 参考訳(メタデータ) (2023-02-25T19:11:44Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳(メタデータ) (2022-06-29T19:03:10Z) - Critical Investigation of Failure Modes in Physics-informed Neural
Networks [0.9137554315375919]
合成定式化による物理インフォームドニューラルネットワークは、最適化が難しい非学習損失面を生成することを示す。
また,2つの楕円問題に対する2つのアプローチを,より複雑な目標解を用いて評価する。
論文 参考訳(メタデータ) (2022-06-20T18:43:35Z) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳(メタデータ) (2021-10-14T14:05:19Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳(メタデータ) (2021-09-02T16:06:45Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。