論文の概要: When Physics Meets Machine Learning: A Survey of Physics-Informed
Machine Learning
- arxiv url: http://arxiv.org/abs/2203.16797v1
- Date: Thu, 31 Mar 2022 04:58:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-02 05:19:06.280118
- Title: When Physics Meets Machine Learning: A Survey of Physics-Informed
Machine Learning
- Title(参考訳): 物理が機械学習に出会うとき:物理に変形した機械学習に関する調査
- Authors: Chuizheng Meng, Sungyong Seo, Defu Cao, Sam Griesemer, Yan Liu
- Abstract要約: 物理インフォームド機械学習(PIML)は、トレーニングデータの不足を軽減し、モデルの一般化性を高め、結果の物理的妥当性を確保する効果的な方法である。
1)PIMLの動機,(2)PIMLの物理知識,(3)PIMLの物理知識統合の方法の3つの側面から,PIMLにおける最近の多くの研究を概説する。
- 参考スコア(独自算出の注目度): 14.296078151381591
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-informed machine learning (PIML), referring to the combination of
prior knowledge of physics, which is the high level abstraction of natural
phenomenons and human behaviours in the long history, with data-driven machine
learning models, has emerged as an effective way to mitigate the shortage of
training data, to increase models' generalizability and to ensure the physical
plausibility of results. In this paper, we survey an abundant number of recent
works in PIML and summarize them from three aspects: (1) motivations of PIML,
(2) physics knowledge in PIML, (3) methods of physics knowledge integration in
PIML. We also discuss current challenges and corresponding research
opportunities in PIML.
- Abstract(参考訳): 物理インフォームド機械学習(PIML)は、自然現象の高度な抽象化である物理学の先行知識と、データ駆動機械学習モデルとの組み合わせを、トレーニングデータの不足を軽減し、モデルの一般化可能性を高め、結果の物理的妥当性を確保する効果的な方法として現れている。
本稿では,PIMLにおける最近の研究を多数調査し,(1)PIMLの動機,(2)PIMLにおける物理知識,(3)PIMLにおける物理知識統合の方法の3つの側面から要約する。
また、PIMLにおける現在の課題とそれに対応する研究機会についても論じる。
関連論文リスト
- ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [90.97595947781426]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。
私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。
また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文 参考訳(メタデータ) (2024-02-09T01:09:21Z) - Discussing the Spectra of Physics-Enhanced Machine Learning via a Survey
on Structural Mechanics Applications [3.635256268487711]
物理と機械学習の交わりは、我々がここで物理強化機械学習(PEML)と呼ぶパラダイムを生み出した。
PEMLは、データまたは物理のみの手法の能力を向上し、個々の欠点を減らすことを目的としている。
論文 参考訳(メタデータ) (2023-10-31T12:50:25Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - A Critical Review of Physics-Informed Machine Learning Applications in
Subsurface Energy Systems [0.0]
物理インフォームド機械学習(PIML)技術は、物理原理をデータ駆動モデルに統合する。
PIMLは、モデルの一般化、物理法則の遵守、解釈可能性を改善する。
本稿では,主に石油・ガス産業における地下エネルギーシステムに関するPIML応用について概説する。
論文 参考訳(メタデータ) (2023-08-06T18:20:24Z) - Physics-Informed Machine Learning for Modeling and Control of Dynamical
Systems [0.0]
物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。
PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。
本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
論文 参考訳(メタデータ) (2023-06-24T05:24:48Z) - MetaPhysiCa: OOD Robustness in Physics-informed Machine Learning [15.657161498824738]
物理情報処理機械学習(PIML)の基本的な課題は、アウト・オブ・ディストリビューション(OOD)予測タスクのための堅牢なPIMLメソッドの設計である。
本稿では,因果構造探索のためのメタラーニング手法として定義する,そのようなタスクに対する解を提案する。
3つのOODタスクを用いて、提案手法が既存の最先端PIMLおよびディープラーニング手法を著しく上回っていることを実証的に観察した。
論文 参考訳(メタデータ) (2023-03-06T14:48:30Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - Physics-Informed Machine Learning: A Survey on Problems, Methods and
Applications [31.157298426186653]
最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。
本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
論文 参考訳(メタデータ) (2022-11-15T11:34:30Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳(メタデータ) (2021-11-09T23:48:21Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳(メタデータ) (2020-10-14T13:14:14Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。