Fugu-MT 論文翻訳(概要): FCNN: Five-point stencil CNN for solving reaction-diffusion equations

論文の概要: FCNN: Five-point stencil CNN for solving reaction-diffusion equations

arxiv url: http://arxiv.org/abs/2201.01854v1
Date: Tue, 4 Jan 2022 10:02:48 GMT
ステータス: 処理完了
システム内更新日: 2022-01-07 23:56:13.999960
Title: FCNN: Five-point stencil CNN for solving reaction-diffusion equations
Title（参考訳）: FCNN:反応拡散方程式を解くための5点ステンシルCNN
Authors: Yongho Kim and Yongho Choi
Abstract要約: 5点ステンシルカーネルとトレーニング可能な近似関数を含む5点ステンシルCNN(FCNN)を提案する。提案するFCNNは, 少ないデータで十分に訓練され, 未確認初期条件で反応拡散進化を予測することができる。
参考スコア（独自算出の注目度）: 2.2590064835234913
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose Five-point stencil CNN (FCNN) containing a five-point stencil kernel and a trainable approximation function. We consider reaction-diffusion type equations including heat, Fisher's, Allen-Cahn equations, and reaction-diffusion equations with trigonometric functions. Our proposed FCNN is trained well using few data and then can predict reaction-diffusion evolutions with unseen initial conditions. Also, our FCNN is trained well in the case of using noisy train data. We present various simulation results to demonstrate that our proposed FCNN is working well.
Abstract（参考訳）: 本稿では,5点ステンシルカーネルとトレーニング可能な近似関数を含む5点ステンシルCNN(FCNN)を提案する。我々は、熱、フィッシャー方程式、アレン・カーン方程式、三角関数を持つ反応拡散式を含む反応拡散型方程式を考察する。提案するFCNNは, 少ないデータで十分に訓練され, 未確認初期条件で反応拡散進化を予測することができる。また, 列車データを用いた場合, FCNNは良好に訓練されている。提案するfcnnがうまく機能していることを示すため,様々なシミュレーション結果を示す。

関連論文リスト

Going Deeper with Five-point Stencil Convolutions for Reaction-Diffusion Equations [1.370633147306388]
物理インフォームドニューラルネットワークは偏微分方程式に広く応用されている。我々は,CFL条件のしきい値よりも長い時間ステップで時間進化を予測するために,大きな受容場を持つ深部FCNNを提案する。深部FCNNは、爆発するFDMとは対照的に、一定の精度を維持していることを実証する。
論文参考訳（メタデータ） (2023-08-09T07:00:59Z)
DietCNN: Multiplication-free Inference for Quantized CNNs [9.295702629926025]
本稿では,CNNにおける乗算をテーブルルックアップで置き換える手法を提案する。単一のアクティベーションコードブックに基づく乗算自由なCNNは、推論あたりのエネルギーの4.7倍、5.6倍、3.5倍の削減を達成できることが示されている。
論文参考訳（メタデータ） (2023-05-09T08:54:54Z)
SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural Networks [56.35403810762512]
イベントベースの計算を伴うスパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアにおけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
論文参考訳（メタデータ） (2023-02-01T04:22:59Z)
GREAD: Graph Neural Reaction-Diffusion Networks [22.90737022395036]
グラフニューラルネットワーク(GNN)は、ディープラーニングに関する最も人気のある研究トピックの1つである。拡散方程式はGNNのコア処理層の設計に広く用いられている。反応拡散方程式に基づくGNN法を提案する。
論文参考訳（メタデータ） (2022-11-25T16:16:25Z)
RIC-CNN: Rotation-Invariant Coordinate Convolutional Neural Network [56.42518353373004]
回転不変座標変換(RIC-C)と呼ばれる新しい畳み込み演算を提案する。 CNNの標準畳み込み層を対応するRCC-Cに置き換えることで、RCC-CNNを導出することができる。 RIC-CNNはMNISTの回転試験データセット上で最先端の分類を実現することが観察できる。
論文参考訳（メタデータ） (2022-11-21T19:27:02Z)
Compressing CNN Kernels for Videos Using Tucker Decompositions: Towards Lightweight CNN Applications [2.191505742658975]
畳み込みニューラルネットワーク(CNN)は、ビジュアルコンピューティングの分野における最先端技術である。 CNNの大きな問題は、大量の浮動小数点演算(FLOP)が大きな入力に対して畳み込みを行うのに必要なものである。本稿では,画像のための事前学習ネットワークの畳み込みカーネルを圧縮するタッカー分解法を提案する。
論文参考訳（メタデータ） (2022-03-10T11:53:53Z)
Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文参考訳（メタデータ） (2021-12-16T17:03:14Z)
Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文参考訳（メタデータ） (2021-09-29T07:46:54Z)
BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文参考訳（メタデータ） (2021-03-14T20:43:19Z)
Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。