Fugu-MT 論文翻訳(概要): Hyper-parameter tuning of physics-informed neural networks: Application to Helmholtz problems

論文の概要: Hyper-parameter tuning of physics-informed neural networks: Application to Helmholtz problems

arxiv url: http://arxiv.org/abs/2205.06704v1
Date: Fri, 13 May 2022 15:17:27 GMT
ステータス: 処理完了
システム内更新日: 2022-05-16 14:05:09.508428
Title: Hyper-parameter tuning of physics-informed neural networks: Application to Helmholtz problems
Title（参考訳）: 物理形ニューラルネットワークのハイパーパラメータチューニング:ヘルムホルツ問題への応用
Authors: Paul Escapil-Inchausp\'e and Gonzalo A. Ruz
Abstract要約: 物理インフォームドニューラルネットワーク [Raissi et al., J. Comput. Phys. 278 686-707] を前方物理問題として検討する。最適PINNの構成を見つけるために,ガウス過程に基づくベイズ最適化を用いたハイパーパラメータチューニング手法を提案する。この手順を有界領域に対するヘルムホルツ問題に適用し, (i) 性能, (ii) 座標点密度$r$, (iii) 周波数$kappa$に焦点をあてて, 適用性および必要性を検証した。
参考スコア（独自算出の注目度）: 1.8275108630751837
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider physics-informed neural networks [Raissi et al., J. Comput. Phys. 278 (2019) 686-707] for forward physical problems. In order to find optimal PINNs configuration, we introduce a hyper-parameter tuning procedure via Gaussian processes-based Bayesian optimization. We apply the procedure to Helmholtz problems for bounded domains and conduct a thorough study, focusing on: (i) performance, (ii) the collocation points density $r$ and (iii) the frequency $\kappa$, confirming the applicability and necessity of the method. Numerical experiments are performed in two and three dimensions, including comparison to finite element methods.
Abstract（参考訳）: 物理インフォームドニューラルネットワーク [Raissi et al., J. Comput. Phys. 278 (2019) 686-707] を前方物理問題に適用する。最適なピン構成を見つけるために,ガウス過程に基づくベイズ最適化によるハイパーパラメータチューニング手順を導入する。この手順を有界領域のヘルムホルツ問題に適用し、以下の点に注目して徹底的な研究を行う。 (i)演奏 (ii)コロケーションポイント密度$r$および (iii)$\kappa$の頻度で、その方法の適用性と必要性を確認する。有限要素法との比較を含む2次元および3次元の数値実験を行う。

関連論文リスト

Enhancing Hypergradients Estimation: A Study of Preconditioning and Reparameterization [49.73341101297818]
双レベル最適化は、内部最適化問題の解に依存する外的目的関数を最適化することを目的としている。外部問題の過次性を計算する従来の方法は、Implicit Function Theorem (IFT) を使うことである。 IFT法の誤差について検討し,この誤差を低減するための2つの手法を解析した。
論文参考訳（メタデータ） (2024-02-26T17:09:18Z)
Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文参考訳（メタデータ） (2023-10-08T23:39:38Z)
Physics-Informed Neural Networks for an optimal counterdiabatic quantum computation [32.73124984242397]
我々は,N_Q$量子ビットを持つ系からなる量子回路の最適化において,物理インフォームドニューラルネットワーク(PINN)の強度を活用して,逆ダイアバティック(CD)プロトコルに対処する新しい手法を提案する。この手法の主な応用は、STO-3Gベースの2量子および4量子系で表される$mathrmH_2$と$mathrmLiH$分子である。
論文参考訳（メタデータ） (2023-09-08T16:55:39Z)
Quantum Fourier Networks for Solving Parametric PDEs [4.409836695738518]
近年、FNO(Fourier Neural Operator)と呼ばれるディープラーニングアーキテクチャは、入力としての初期条件に対して与えられたPDEファミリーの解を学習できることが判明した。本稿では,古典的FNOにインスパイアされた量子アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-27T12:21:02Z)
An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文参考訳（メタデータ） (2023-06-10T08:25:16Z)
Efficient Bayesian Physics Informed Neural Networks for Inverse Problems via Ensemble Kalman Inversion [0.0]
本稿では,高次元推論タスクにEnsemble Kalman Inversion (EKI) を用いるB-PINNの新しい効率的な推論アルゴリズムを提案する。提案手法は,ハミルトン・モンテカルロ (HMC) ベースのB-PINNに匹敵する情報的不確実性を推定し,計算コストを大幅に削減できることを示す。
論文参考訳（メタデータ） (2023-03-13T18:15:26Z)
Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文参考訳（メタデータ） (2022-11-02T14:35:13Z)
A Globally Convergent Gradient-based Bilevel Hyperparameter Optimization Method [0.0]
ハイパーパラメータ最適化問題の解法として,勾配に基づく双レベル法を提案する。提案手法は, より低い計算量に収束し, テストセットをより良く一般化するモデルに導かれることを示す。
論文参考訳（メタデータ） (2022-08-25T14:25:16Z)
Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文参考訳（メタデータ） (2022-05-27T03:24:31Z)
Entanglement Diagnostics for Efficient Quantum Computation [0.5482532589225552]
効率的な量子/古典ハイブリッド計算のための絡み合い診断法を構築する。 k-局所ハミルトニアンのコスト関数にエンコードされる最適化問題を解くための高性能領域を同定した。
論文参考訳（メタデータ） (2021-02-24T20:00:42Z)
High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文参考訳（メタデータ） (2020-12-17T23:21:53Z)

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。