論文の概要: Composing Partial Differential Equations with Physics-Aware Neural
Networks
- arxiv url: http://arxiv.org/abs/2111.11798v1
- Date: Tue, 23 Nov 2021 11:27:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 15:17:26.337534
- Title: Composing Partial Differential Equations with Physics-Aware Neural
Networks
- Title(参考訳): 物理対応ニューラルネットワークによる部分微分方程式の構成
- Authors: Matthias Karlbauer, Timothy Praditia, Sebastian Otte, Sergey
Oladyshkin, Wolfgang Nowak, and Martin V. Butz
- Abstract要約: 本稿では,吸着拡散過程を学習するための物理認識ニューラルネットワーク(FINN)を提案する。
平均的なパラメータの10分の1しか持たないFINNは、機械学習やその他の最先端の物理認識モデルよりも優れています。
- 参考スコア(独自算出の注目度): 0.831246680772592
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce a compositional physics-aware neural network (FINN) for learning
spatiotemporal advection-diffusion processes. FINN implements a new way of
combining the learning abilities of artificial neural networks with physical
and structural knowledge from numerical simulation by modeling the constituents
of partial differential equations (PDEs) in a compositional manner. Results on
both one- and two-dimensional PDEs (Burger's, diffusion-sorption,
diffusion-reaction, Allen-Cahn) demonstrate FINN's superior modeling accuracy
and excellent out-of-distribution generalization ability beyond initial and
boundary conditions. With only one tenth of the number of parameters on
average, FINN outperforms pure machine learning and other state-of-the-art
physics-aware models in all cases -- often even by multiple orders of
magnitude. Moreover, FINN outperforms a calibrated physical model when
approximating sparse real-world data in a diffusion-sorption scenario,
confirming its generalization abilities and showing explanatory potential by
revealing the unknown retardation factor of the observed process.
- Abstract(参考訳): 時空間対流拡散過程を学習するための合成物理対応ニューラルネットワーク(FINN)を提案する。
FINNは、部分微分方程式(PDE)の構成成分を構成的にモデル化することにより、ニューラルネットワークの学習能力と物理的および構造的知識を数値シミュレーションから組み合わせる新しい方法を実装している。
1次元および2次元PDE(バーガー、拡散吸着、拡散反応、アレン・カーン)の結果は、FINNの優れたモデリング精度と、初期および境界条件を超えた分布外一般化能力を示す。
平均的なパラメータの10分の1に過ぎず、FINNは純粋な機械学習やその他の最先端の物理認識モデルよりも優れています。
さらに、FINNは、拡散吸着シナリオにおいてスパース実世界のデータを近似し、その一般化能力を確認し、観察されたプロセスの未知の遅延因子を明らかにすることで説明可能性を示す際に、校正物理モデルより優れる。
関連論文リスト
- Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。
また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。
我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
論文 参考訳(メタデータ) (2024-05-23T12:39:49Z) - Automatic Differentiation is Essential in Training Neural Networks for Solving Differential Equations [7.890817997914349]
ニューラルネットワークに基づくアプローチは、最近、科学と工学における偏微分方程式(PDE)の解法において大きな可能性を示している。
PDEのためのニューラルネットワーク手法の利点の1つは、その自動微分(AD)にある。
本稿では、ニューラルネットワークのトレーニングにおけるADの利点を定量的に示す。
論文 参考訳(メタデータ) (2024-05-23T02:01:05Z) - Numerical analysis of physics-informed neural networks and related
models in physics-informed machine learning [18.1180892910779]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式の前方および逆問題の数値シミュレーションのアルゴリズムとして近年広く普及している。
PINNによるPDEの近似における誤差の様々な成分の分析を効果的に行うことができる統一的なフレームワークを提供する。
論文 参考訳(メタデータ) (2024-01-30T10:43:27Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - Generalized Neural Closure Models with Interpretability [28.269731698116257]
我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。
マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。
本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
論文 参考訳(メタデータ) (2023-01-15T21:57:43Z) - Transfer Learning with Physics-Informed Neural Networks for Efficient
Simulation of Branched Flows [1.1470070927586016]
物理インフォームドニューラルネットワーク(PINN)は微分方程式を解くための有望なアプローチを提供する。
PINNに対して最近開発されたトランスファー学習アプローチを採用し,マルチヘッドモデルを提案する。
提案手法は,スクラッチからトレーニングした標準PINNと比較して,計算速度が大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-11-01T01:50:00Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - 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) - Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。
トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。
しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文 参考訳(メタデータ) (2020-02-22T22:12:56Z)
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。