論文の概要: A generic physics-informed neural network-based framework for
reliability assessment of multi-state systems
- arxiv url: http://arxiv.org/abs/2112.00220v1
- Date: Wed, 1 Dec 2021 01:43:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 13:35:58.784613
- Title: A generic physics-informed neural network-based framework for
reliability assessment of multi-state systems
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いた多状態システムの信頼性評価フレームワーク
- Authors: Taotao Zhou, Xiaoge Zhang, Enrique Lopez Droguett, Ali Mosleh
- Abstract要約: マルチステートシステム(MSS)の信頼性を評価するための汎用的なPINNベースのフレームワークを開発する。
我々は、マルチタスク学習の観点から、PINNのバックプロパゲート勾配の大きさの高不均衡の問題に取り組む。
提案するPINNベースのフレームワークは,MSS信頼性評価における汎用的かつ顕著な性能を示す。
- 参考スコア（独自算出の注目度）: 1.6440434996206623
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, we leverage the recent advances in physics-informed neural
network (PINN) and develop a generic PINN-based framework to assess the
reliability of multi-state systems (MSSs). The proposed methodology consists of
two major steps. In the first step, we recast the reliability assessment of MSS
as a machine learning problem using the framework of PINN. A feedforward neural
network with two individual loss groups are constructed to encode the initial
condition and state transitions governed by ordinary differential equations
(ODEs) in MSS. Next, we tackle the problem of high imbalance in the magnitude
of the back-propagated gradients in PINN from a multi-task learning
perspective. Particularly, we treat each element in the loss function as an
individual task, and adopt a gradient surgery approach named projecting
conflicting gradients (PCGrad), where a task's gradient is projected onto the
norm plane of any other task that has a conflicting gradient. The gradient
projection operation significantly mitigates the detrimental effects caused by
the gradient interference when training PINN, thus accelerating the convergence
speed of PINN to high-precision solutions to MSS reliability assessment. With
the proposed PINN-based framework, we investigate its applications for MSS
reliability assessment in several different contexts in terms of
time-independent or dependent state transitions and system scales varying from
small to medium. The results demonstrate that the proposed PINN-based framework
shows generic and remarkable performance in MSS reliability assessment, and the
incorporation of PCGrad in PINN leads to substantial improvement in solution
quality and convergence speed.
- Abstract（参考訳）: 本稿では,物理インフォームドニューラルネットワーク(PINN)の最近の進歩を活用し,マルチステートシステム(MSS)の信頼性を評価する汎用的なPINNベースのフレームワークを開発する。
提案手法は2つの主要なステップからなる。
第1段階では,pinnのフレームワークを用いた機械学習問題として,mssの信頼性評価を再キャストする。
2つの損失群を持つフィードフォワードニューラルネットワークを構築し、mssにおける常微分方程式(odes)によって制御される初期状態と状態遷移を符号化する。
次に,マルチタスク学習の観点から,pinnのバックプロパゲーション勾配の大きさにおける高い不均衡の問題に取り組む。
特に、損失関数の各要素を個々のタスクとして扱い、衝突勾配を持つ他のタスクのノルム平面上にタスクの勾配を投影する「衝突勾配投影」(pcgrad)という勾配手術アプローチを採用する。
勾配投影操作は, PINN訓練時の勾配干渉による劣化効果を著しく軽減し, MSS信頼性評価のための高精度解へのPINNの収束速度を向上する。
提案するPINNベースのフレームワークを用いて,MSSの信頼性評価への応用を,時間に依存しない状態遷移や依存状態遷移,システムスケールによって検討する。
その結果,提案したPINNベースのフレームワークはMSS信頼性評価において汎用的かつ顕著な性能を示し,PINNにPCGradを組み込むことにより,ソリューションの品質と収束速度が大幅に向上することが示された。
関連論文リスト
- Physics-Informed Neural Networks with Trust-Region Sequential Quadratic Programming [4.557963624437784]
最近の研究によると、物理情報ニューラルネットワーク(PINN)は比較的複雑な部分微分方程式(PDE)を学習できない可能性がある。
本稿では, 信頼領域逐次準計画法(trSQP-PINN)を導入し, PINNの障害モードに対処する。
PINNのようにペナル化ソフト制約損失を直接訓練するのに対し,本手法はソフト制約損失を利用して信頼範囲半径を適応的に調整しながら,ハード制約損失の線形2次近似を行う。
論文 参考訳（メタデータ） (2024-09-16T23:22:12Z) - Improvement of Bayesian PINN Training Convergence in Solving Multi-scale PDEs with Noise [34.11898314129823]
実際には、ハミルトン・モンテカルロ (HMC) はBPINNの内部パラメータを推定するのによく使われ、しばしばトラブルに遭遇する。
マルチスケールニューラルネットワーク (MscaleDNN) とベイズ推論を統合することで, 堅牢なマルチスケールベイズPINN (dubed MBPINN) 法を開発した。
その結果,提案手法はHMCの故障を回避し,有効な結果が得られることがわかった。
論文 参考訳（メタデータ） (2024-08-18T03:20:16Z) - PINNsFormer: A Transformer-Based Framework For Physics-Informed Neural Networks [22.39904196850583]
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(PDE)の数値解を近似するための有望なディープラーニングフレームワークとして登場した。
我々は,この制限に対処するために,新しいTransformerベースのフレームワークであるPINNsFormerを紹介した。
PINNsFormerは、PINNの障害モードや高次元PDEなど、様々なシナリオにおいて優れた一般化能力と精度を実現する。
論文 参考訳（メタデータ） (2023-07-21T18:06:27Z) - Error convergence and engineering-guided hyperparameter search of PINNs:
towards optimized I-FENN performance [0.0]
PINNコンポーネントの2つの重要な側面に着目し,I-FENNの厳格さと性能を向上させる。
本稿では,新しい総合的パフォーマンス指標のセットに基づく体系的な数値的アプローチを提案する。
提案された分析は、科学と工学の他の応用にも直接拡張することができる。
論文 参考訳（メタデータ） (2023-03-03T17:39:06Z) - 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) - Failure-informed adaptive sampling for PINNs [5.723850818203907]
物理学インフォームドニューラルネットワーク(PINN)は、幅広い領域でPDEを解決する効果的な手法として登場した。
しかし、最近の研究では、異なるサンプリング手順でPINNの性能が劇的に変化することが示されている。
本稿では,信頼度分析の視点から,故障インフォームドPINNという適応的手法を提案する。
論文 参考訳（メタデータ） (2022-10-01T13:34:41Z) - Revisiting PINNs: Generative Adversarial Physics-informed Neural
Networks and Point-weighting Method [70.19159220248805]
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(PDE)を数値的に解くためのディープラーニングフレームワークを提供する
本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。
本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
論文 参考訳（メタデータ） (2022-05-18T06:50:44Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Kernel-Based Smoothness Analysis of Residual Networks [85.20737467304994]
ResNets(Residual Networks)は、これらの強力なモダンアーキテクチャの中でも際立っている。
本稿では,2つのモデル,すなわちResNetsが勾配よりもスムーズな傾向を示す。
論文 参考訳（メタデータ） (2020-09-21T16:32:04Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。