論文の概要: Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method

• arxiv url: http://arxiv.org/abs/2205.08754v1
• Date: Wed, 18 May 2022 06:50:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 13:28:18.445153
• Title: Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method
• Title（参考訳）: revisiting pinns:生成的逆向性物理学に基づくニューラルネットワークと点重み付け法
• Authors: Wensheng Li, Chao Zhang, Chuncheng Wang, Hanting Guan, Dacheng Tao
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する 本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。 本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
• 参考スコア（独自算出の注目度）: 70.19159220248805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) provide a deep learning framework for numerically solving partial differential equations (PDEs), and have been widely used in a variety of PDE problems. However, there still remain some challenges in the application of PINNs: 1) the mechanism of PINNs is unsuitable (at least cannot be directly applied) to exploiting a small size of (usually very few) extra informative samples to refine the networks; and 2) the efficiency of training PINNs often becomes low for some complicated PDEs. In this paper, we propose the generative adversarial physics-informed neural network (GA-PINN), which integrates the generative adversarial (GA) mechanism with the structure of PINNs, to improve the performance of PINNs by exploiting only a small size of exact solutions to the PDEs. Inspired from the weighting strategy of the Adaboost method, we then introduce a point-weighting (PW) method to improve the training efficiency of PINNs, where the weight of each sample point is adaptively updated at each training iteration. The numerical experiments show that GA-PINNs outperform PINNs in many well-known PDEs and the PW method also improves the efficiency of training PINNs and GA-PINNs.
• Abstract（参考訳）: 物理学に変形したニューラルネットワーク(pinns)は、偏微分方程式(pdes)を数値的に解くためのディープラーニングフレームワークを提供し、様々なpde問題で広く使われている。 しかし、PINNの適用には依然としていくつかの課題がある。 1)PINNのメカニズムは(少なくとも直接適用できない)、ネットワークを洗練させるために(通常非常に少ない)追加情報サンプルの小さなサイズを利用するのに適さない。 2) 複雑なPDEでは, PINNの訓練効率が低くなることが多い。 本稿では,pdesへの厳密解のごく小さなサイズのみを活用し,pinの性能を向上させるために,ga(generative adversarial)機構とpinnの構造を統合したga-pinn(generative adversarial physics-informed neural network)を提案する。 次に,adaboost法の重み付け戦略に触発されて,ピンの訓練効率を向上させるための点重み付け(pw)法を導入し,各訓練イテレーションで各サンプル点の重みを適応的に更新する。 数値実験により、GA-PINNは、多くの有名なPDEにおいてPINNよりも優れており、PW法は、PINNとGA-PINNの訓練効率も向上することが示された。

関連論文リスト

• PINNsFormer: A Transformer-Based Framework For Physics-Informed Neural Networks [25.1742784555125]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)の数値解を近似するための有望なディープラーニングフレームワークとして登場した。 我々は,この制限に対処するために,新しいTransformerベースのフレームワークであるPINNsFormerを紹介した。 PINNsFormerは、PINNの障害モードや高次元PDEなど、様々なシナリオにおいて優れた一般化能力と精度を実現する。
  論文  参考訳（メタデータ） (2023-07-21T18:06:27Z)
• iPINNs: Incremental learning for Physics-informed neural networks [66.4795381419701]
  物理インフォームドニューラルネットワーク(PINN)は、最近偏微分方程式(PDE)を解く強力なツールとなっている。 本稿では,新しいタスクのパラメータを追加せずに連続的に複数のタスクを学習できるインクリメンタルPINNを提案する。 提案手法は,PDEごとに個別のサブネットワークを作成し,従来のサブネットワークと重なり合うようにすることで,最も単純なPDEから複数のPDEを学習する。
  論文  参考訳（メタデータ） (2023-04-10T20:19:20Z)
• Ensemble learning for Physics Informed Neural Networks: a Gradient Boosting approach [4.246111018621605]
  段階的強化(GB)と呼ばれる新しい訓練パラダイムを提案する。 与えられたPDEの解を1つのニューラルネットワークで直接学習する代わりに、我々のアルゴリズムは、より優れた結果を得るために、一連のニューラルネットワークを用いています。 この研究は、PINNでアンサンブル学習技術を採用するための扉も開ける。
  論文  参考訳（メタデータ） (2023-02-25T19:11:44Z)
• SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition [24.422082821785487]
  1つのニューラルネットワークは1つの偏微分方程式に対応する。 実際には、私たちは通常、PDEのクラスを1つだけでなく1つのクラスで解決する必要があります。 本稿では,特異ベクトルの保持と特異値の最適化によるPINNの転送学習手法を提案する。
  論文  参考訳（メタデータ） (2022-11-16T08:46:10Z)
• Enforcing Continuous Physical Symmetries in Deep Learning Network for Solving Partial Differential Equations [3.6317085868198467]
  我々は,PDEのリー対称性によって誘導される不変表面条件をPINNの損失関数に組み込む,新しい対称性を持つ物理情報ニューラルネットワーク(SPINN)を提案する。 SPINNは、トレーニングポイントが少なく、ニューラルネットワークのよりシンプルなアーキテクチャで、PINNよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-06-19T00:44:22Z)
• 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)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Physics-Informed Neural Networks (PINNs) for Parameterized PDEs: A Metalearning Approach [13.590496719224987]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を識別する手段である 本稿では,モデルに依存しないメタラーニングについて調査し,PINNに適用したモデル認識メタラーニングについて考察する。
  論文  参考訳（メタデータ） (2021-10-26T02:29:10Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。