論文の概要: Graph network for simultaneous learning of forward and inverse physics
- arxiv url: http://arxiv.org/abs/2112.07054v1
- Date: Mon, 13 Dec 2021 22:38:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 17:05:26.637416
- Title: Graph network for simultaneous learning of forward and inverse physics
- Title（参考訳）: 前・逆物理の同時学習のためのグラフネットワーク
- Authors: Sakthi Kumar Arul Prakash, Conrad Tucker
- Abstract要約: 本稿では,解釈可能な帰納バイアスを用いて粒子物理学の前方および逆モデルを学ぶエンド・ツー・エンドグラフネットワークを提案する。
我々の手法は、少なくとも1桁高い精度で前方ダイナミクスを予測できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose an end-to-end graph network that learns forward and
inverse models of particle-based physics using interpretable inductive biases.
Physics-informed neural networks are often engineered to solve specific
problems through problem-specific regularization and loss functions. Such
explicit learning biases the network to learn data specific patterns and may
require a change in the loss function or neural network architecture hereby
limiting their generalizabiliy. While recent studies have proposed graph
networks to study forward dynamics, they rely on particle specific parameters
such as mass, etc. to approximate the dynamics of the system. Our graph network
is implicitly biased by learning to solve several tasks, thereby sharing
representations between tasks in order to learn the forward dynamics as well as
infer the probability distribution of unknown particle specific properties. We
evaluate our approach on one-step next state prediction tasks across diverse
datasets that feature different particle interactions. Our comparison against
related data-driven physics learning approaches reveals that our model is able
to predict the forward dynamics with at least an order of magnitude higher
accuracy. We also show that our approach is able to recover multi-modal
probability distributions of unknown physical parameters using orders of
magnitude fewer samples.
- Abstract（参考訳）: 本研究では,解釈可能な帰納的バイアスを用いて粒子物理の前方および逆モデルを学ぶエンドツーエンドグラフネットワークを提案する。
物理インフォームドニューラルネットワークは、問題固有の正規化と損失関数によって、特定の問題を解決するためにしばしば設計される。
このような明示的な学習は、ネットワークがデータ固有のパターンを学ぶために偏りを生じさせ、損失関数やニューラルネットワークアーキテクチャを変更する必要があるかもしれない。
最近の研究では、フォワードダイナミクスを研究するグラフネットワークが提案されているが、それらは系の力学を近似するために質量などの粒子特異的パラメータに依存している。
グラフネットワークは,いくつかの課題を学習することで暗黙的に偏り,従ってタスク間の表現を共有して前方ダイナミクスを学習し,未知の粒子特性の確率分布を推測する。
粒子間相互作用を特徴とする多種多様なデータセットを対象とした一段階の次状態予測タスクに対するアプローチを評価する。
関連するデータ駆動物理学習手法との比較により,我々のモデルは,少なくとも1桁高い精度でフォワードダイナミクスを予測できることが判明した。
また,本手法により,未知の物理パラメータのマルチモーダル確率分布を,桁違いに少ないサンプルで再現できることを示す。
関連論文リスト
- Bond Graphs for multi-physics informed Neural Networks for multi-variate time series [6.775534755081169]
既存の手法は複雑な多分野・多領域現象のタスクには適用されない。
タスク固有モデルに入力可能な多物理インフォームド表現を生成するニューラルボンドグラフ(NBgE)を提案する。
論文 参考訳（メタデータ） (2024-05-22T12:30:25Z) - Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks? [18.92828441607381]
埋め込みは観察によく適合するが、同時に誤った動的挙動を持つモデルを誘導することを示す。
2つの加法的ベクトル場成分をパラメトリした単純な埋め込み自由な代替法を提案する。
論文 参考訳（メタデータ） (2023-05-20T12:41:47Z) - E($3$) Equivariant Graph Neural Networks for Particle-Based Fluid
Mechanics [2.1401663582288144]
等変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができることを示した。
3次元崩壊するテイラー・グリーン渦と3次元逆ポアゼイユ流の2つのよく研究された流れ系をベンチマークした。
論文 参考訳（メタデータ） (2023-03-31T21:56:35Z) - Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。
最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。
従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
論文 参考訳（メタデータ） (2023-01-12T09:44:59Z) - Curvature-informed multi-task learning for graph networks [56.155331323304]
最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。
この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
論文 参考訳（メタデータ） (2022-08-02T18:18:41Z) - Bayesian Physics-Informed Neural Networks for real-world nonlinear
dynamical systems [0.0]
ニューラルネットワーク、物理情報モデリング、ベイズ推論を組み合わせることで、データ、物理、不確実性を統合します。
本研究は,ニューラルネットワーク,ベイジアン推論,および両者の組み合わせの固有の長所と短所を明らかにする。
我々は、基礎となる概念や傾向が、より複雑な疾患の状況に一般化されることを期待する。
論文 参考訳（メタデータ） (2022-05-12T19:04:31Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-01T00:58:54Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。