Fugu-MT 論文翻訳(概要): When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning

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

Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文参考訳（メタデータ） (2024-08-22T07:33:11Z)
Physics-Informed Machine Learning for Smart Additive Manufacturing [2.3091320511105353]
本稿では、ニューラルネットワークと物理法則を統合した物理インフォームド・機械学習(PIML)モデルの開発に焦点をあて、レーザー金属堆積(LMD)におけるケーススタディによるモデル精度、透明性、一般化について述べる。
論文参考訳（メタデータ） (2024-07-15T14:40:24Z)
Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
論文参考訳（メタデータ） (2024-07-11T09:04:12Z)
Physics-Enhanced Machine Learning: a position paper for dynamical systems investigations [0.0]
物理強化機械学習(英: Physics-Enhanced Machine Learning、PEML)は、科学機械学習とも呼ばれる。 PEMLアプローチの3つの幅広いグループについて論じる: 物理誘導、物理符号化、物理インフォームド。複雑な力学系を含む工学アプリケーションにおいて, PEML 戦略の利点と課題について述べる。
論文参考訳（メタデータ） (2024-05-08T14:15:51Z)
Physics-Informed Machine Learning On Polar Ice: A Survey [0.6827423171182154]
極地氷床の質量減少は、海面上昇と海洋循環の変化に寄与する。従来の物理モデルは物理的に意味のある結果を保証することができるが、高解像度の結果を生み出すには限界がある。データ駆動型アプローチは、極域ではほとんど利用できない大量の高品質なラベル付きデータを必要とする。近年,物理モデルとデータ駆動手法の利点を活用する有望なフレームワークとして,物理インフォームド機械学習(PIML)が広く研究されている。
論文参考訳（メタデータ） (2024-04-30T13:12:36Z)
Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications [3.430730454702436]
物理学と機械学習の交わりは、物理学の強化された機械学習(PEML)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。本論文は, 科学・工学研究の限界を推し進める上で, PEMLの重要性を浮き彫りにするものである。
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)
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)
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)
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。