論文の概要: AutoKE: An automatic knowledge embedding framework for scientific machine learning

• arxiv url: http://arxiv.org/abs/2205.05390v1
• Date: Wed, 11 May 2022 10:26:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 16:46:55.442334
• Title: AutoKE: An automatic knowledge embedding framework for scientific machine learning
• Title（参考訳）: AutoKE:科学機械学習のための自動知識埋め込みフレームワーク
• Authors: Mengge Du, Yuntian Chen, Dongxiao Zhang
• Abstract要約: 本稿では,AutoKEと呼ばれる科学機械学習フレームワークを提案する。 このフレームワークが物理的知識を埋め込む過程を効果的に自動化できることを実証するために、貯水池流れの問題を例に挙げる。
• 参考スコア（独自算出の注目度）: 0.5156484100374059
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Imposing physical constraints on neural networks as a method of knowledge embedding has achieved great progress in solving physical problems described by governing equations. However, for many engineering problems, governing equations often have complex forms, including complex partial derivatives or stochastic physical fields, which results in significant inconveniences from the perspective of implementation. In this paper, a scientific machine learning framework, called AutoKE, is proposed, and a reservoir flow problem is taken as an instance to demonstrate that this framework can effectively automate the process of embedding physical knowledge. In AutoKE, an emulator comprised of deep neural networks (DNNs) is built for predicting the physical variables of interest. An arbitrarily complex equation can be parsed and automatically converted into a computational graph through the equation parser module, and the fitness of the emulator to the governing equation is evaluated via automatic differentiation. Furthermore, the fixed weights in the loss function are substituted with adaptive weights by incorporating the Lagrangian dual method. Neural architecture search (NAS) is also introduced into the AutoKE to select an optimal network architecture of the emulator according to the specific problem. Finally, we apply transfer learning to enhance the scalability of the emulator. In experiments, the framework is verified by a series of physical problems in which it can automatically embed physical knowledge into an emulator without heavy hand-coding. The results demonstrate that the emulator can not only make accurate predictions, but also be applied to similar problems with high efficiency via transfer learning.
• Abstract（参考訳）: 知識埋め込みの手法としてニューラルネットワークに物理的制約を課すことは、制御方程式によって記述される物理問題の解決において大きな進歩を遂げた。 しかし、多くの工学的問題において、制御方程式はしばしば複素部分微分や確率的物理場を含む複雑な形式を持ち、実装の観点から大きな不便をもたらす。 本稿では,科学的な機械学習フレームワークであるautokeを提案し,このフレームワークが物理的知識を組み込むプロセスを効果的に自動化できることを示す例として,貯水池フロー問題を取り上げる。 AutoKEでは、関心の物理的変数を予測するために、ディープニューラルネットワーク(DNN)で構成されるエミュレータが構築されている。 任意に複雑な方程式を解析し、式パーサモジュールを介して計算グラフに自動変換することができ、自動微分によりエミュレーターから支配方程式への適合性を評価する。 さらに、損失関数の固定重みをラグランジアン双対法を組み込むことにより適応重みに置き換える。 ニューラルネットワーク検索(nas)もautokeに導入され、特定の問題に応じてエミュレータの最適なネットワークアーキテクチャを選択する。 最後に,エミュレータのスケーラビリティを向上させるために転送学習を適用する。 実験では、このフレームワークは様々な物理的問題によって検証され、物理的な知識を重い手書きコードなしでエミュレータに自動的に埋め込むことができる。 その結果,エミュレータは正確な予測を行うだけでなく,伝達学習による高効率の類似問題にも適用可能であることがわかった。

関連論文リスト

• Differentiable programming across the PDE and Machine Learning barrier [0.6554326244334868]
  エンド・ツー・エンドの差別化可能なモデルを特定するための、非常に生産性の高い方法を提供する、汎用的な差別化可能なプログラミング抽象化を導入する。 我々のインターフェースは任意のPDEベースのシステムと機械学習モデルの結合を自動化する。 私たちのフレームワークはFiredrakeの有限要素ライブラリに採用され、PyTorchとJAXPエコシステムをサポートしています。
  論文  参考訳（メタデータ） (2024-09-09T21:36:38Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Mixed formulation of physics-informed neural networks for thermo-mechanically coupled systems and heterogeneous domains [0.0]
  物理インフォームドニューラルネットワーク(PINN)は境界値問題を解決するための新しいツールである。 近年の研究では、多くの工学的問題に対して損失関数を設計する際には、一階微分を使い、強い形式と弱い形式の方程式を組み合わせることにより、はるかに精度が向上することが示されている。 本研究では,多物理問題,特に定常熱力学的に結合した方程式系を解くために混合定式化を適用することを提案する。
  論文  参考訳（メタデータ） (2023-02-09T21:56:59Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)
• Physics Informed Deep Learning for Transport in Porous Media. Buckley Leverett Problem [0.0]
  貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。 この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。 提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
  論文  参考訳（メタデータ） (2020-01-15T08:20:11Z)

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。