Fugu-MT 論文翻訳(概要): Super Resolution for Turbulent Flows in 2D: Stabilized Physics Informed Neural Networks

論文の概要: Super Resolution for Turbulent Flows in 2D: Stabilized Physics Informed Neural Networks

arxiv url: http://arxiv.org/abs/2204.07413v1
Date: Fri, 15 Apr 2022 10:22:56 GMT
ステータス: 処理完了
システム内更新日: 2022-04-18 17:34:15.230164
Title: Super Resolution for Turbulent Flows in 2D: Stabilized Physics Informed Neural Networks
Title（参考訳）: 2次元安定物理学インフォームドニューラルネットワークにおける乱流の超解像
Authors: Mykhaylo Zayats, Ma{\l}gorzata J. Zimo\'n, Kyongmin Yeo, Sergiy Zhuk
Abstract要約: 乱流のゼロショット超分解能問題を解くニューラルネットワークの設計を提案する。我々はLuenberger型オブザーバをネットワークのアーキテクチャに組み込んで、プロセスの物理をネットワークに知らせる。
参考スコア（独自算出の注目度）: 0.05735035463793007
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a new design of a neural network for solving a zero shot super resolution problem for turbulent flows. We embed Luenberger-type observer into the network's architecture to inform the network of the physics of the process, and to provide error correction and stabilization mechanisms. In addition, to compensate for decrease of observer's performance due to the presence of unknown destabilizing forcing, the network is designed to estimate the contribution of the unknown forcing implicitly from the data over the course of training. By running a set of numerical experiments, we demonstrate that the proposed network does recover unknown forcing from data and is capable of predicting turbulent flows in high resolution from low resolution noisy observations.
Abstract（参考訳）: 本研究では,乱流のゼロショット超解像問題を解決するニューラルネットワークの設計を提案する。我々は,Luenberger型オブザーバをネットワークアーキテクチャに組み込んで,プロセスの物理をネットワークに通知し,エラー訂正と安定化機構を提供する。また、未知の不安定化強制の存在によるオブザーバのパフォーマンス低下を補償するために、ネットワークは、トレーニングの過程でデータから暗黙的に強制される未知のコントリビュートを推定するように設計されている。数値実験により,提案するネットワークは,データから未知の強制力を回復し,低分解能ノイズ観測から高分解能の乱流を予測することができることを示した。

関連論文リスト

Improving hp-Variational Physics-Informed Neural Networks for Steady-State Convection-Dominated Problems [4.0974219394860505]
本稿では,より正確にはFastVPINNsフレームワークであるhp-可変物理インフォームドニューラルネットワークを対流支配対流拡散反応問題に適用する2つの拡張について検討する。まず、損失関数にSUPG安定化の精神の項を含め、空間的に変化する安定化パラメータを予測するネットワークアーキテクチャを提案する。第二の新規性は、指標関数のクラスのよいパラメータを学習するネットワークアーキテクチャの提案である。
論文参考訳（メタデータ） (2024-11-14T10:21:41Z)
Residual resampling-based physics-informed neural network for neutron diffusion equations [7.105073499157097]
中性子拡散方程式は原子炉の解析において重要な役割を果たす。従来のPINNアプローチでは、完全に接続されたネットワーク(FCN)アーキテクチャを利用することが多い。 R2-PINNは、現在の方法に固有の制限を効果的に克服し、中性子拡散方程式のより正確で堅牢な解を提供する。
論文参考訳（メタデータ） (2024-06-23T13:49:31Z)
Uncertainty Propagation through Trained Deep Neural Networks Using Factor Graphs [4.704825771757308]
不確実性伝播は、入力不確かさをネットワーク予測に伝播させることにより、アレタリック不確かさを推定しようとする。深層ニューラルネットワーク内の複雑な情報の流れに触発され,因子グラフを用いた非線形最適化問題として不確実性伝播を仮定して新しい手法を開発した。
論文参考訳（メタデータ） (2023-12-10T17:26:27Z)
Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文参考訳（メタデータ） (2023-10-17T05:03:00Z)
To be or not to be stable, that is the question: understanding neural networks for inverse problems [0.0]
本稿では,ニューラルネットワークの安定性と精度のトレードオフを理論的に解析する。ネットワークの安定性を高め、良好な精度を維持するために、異なる教師付きおよび教師なしのソリューションを提案する。
論文参考訳（メタデータ） (2022-11-24T16:16:40Z)
Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文参考訳（メタデータ） (2022-07-04T15:41:02Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
Distribution-sensitive Information Retention for Accurate Binary Neural Network [49.971345958676196]
本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
論文参考訳（メタデータ） (2021-09-25T10:59:39Z)
Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文参考訳（メタデータ） (2021-02-23T20:59:30Z)
Towards Robust Neural Networks via Close-loop Control [12.71446168207573]
深層ニューラルネットワークは、ブラックボックスの性質のため、様々な摂動に弱い。近年の研究では、入力データが知覚不可能な量で摂動しても、ディープニューラルネットワークがデータを誤分類できることが示されている。
論文参考訳（メタデータ） (2021-02-03T03:50:35Z)
Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文参考訳（メタデータ） (2020-03-31T16:47:20Z)

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。