論文の概要: Experience report of physics-informed neural networks in fluid simulations: pitfalls and frustration

• arxiv url: http://arxiv.org/abs/2205.14249v1
• Date: Fri, 27 May 2022 21:54:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 14:39:08.001397
• Title: Experience report of physics-informed neural networks in fluid simulations: pitfalls and frustration
• Title（参考訳）: 流体シミュレーションにおける物理インフォームニューラルネットワークの経験報告:落とし穴とフラストレーション
• Authors: Pi-Yueh Chuang, Lorena A. Barba
• Abstract要約: PINN (physics-informed neural network) はそのような試みである。 本稿では,PINNを用いた2つの基本的な流れ問題の解法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deep learning boom motivates researchers and practitioners of computational fluid dynamics eager to integrate the two areas.The PINN (physics-informed neural network) method is one such attempt. While most reports in the literature show positive outcomes of applying the PINN method, our experiments with it stifled such optimism. This work presents our not-so-successful story of using PINN to solve two fundamental flow problems: 2D Taylor-Green vortex at $Re = 100$ and 2D cylinder flow at $Re = 200$. The PINN method solved the 2D Taylor-Green vortex problem with acceptable results, and we used this flow as an accuracy and performance benchmark. About 32 hours of training were required for the PINN method's accuracy to match the accuracy of a $16 \times 16$ finite-difference simulation, which took less than 20 seconds. The 2D cylinder flow, on the other hand, did not even result in a physical solution. The PINN method behaved like a steady-flow solver and did not capture the vortex shedding phenomenon. By sharing our experience, we would like to emphasize that the PINN method is still a work-in-progress. More work is needed to make PINN feasible for real-world problems.
• Abstract（参考訳）: 深層学習ブームは,2つの領域を統合することを熱望する計算流体力学の研究者や実践者の動機となっている。 論文の報告の多くはpinn法の適用による肯定的な結果を示しているが、我々の実験はそのような楽観主義を阻害した。 本稿では,2次元Taylor-Green vortex at $Re = 100$と2次元シリンダーフロー at $Re = 200$という2つの基本的なフロー問題をPINNを用いて解決する,いわゆる難解な物語を示す。 PINN法は2次元Taylor-Green渦問題を許容できる結果で解き、この流れを精度と性能のベンチマークとして使用した。 ピン法の精度を16 \times 16$の有限差分シミュレーションの精度に合わせるために、約32時間のトレーニングが必要とされた。 一方, 2次元シリンダー流れは物理的に解くことさえできなかった。 PINN法は定常流解法のように振る舞うことができ, 渦沈み現象を捉えなかった。 私たちの経験を共有することで、PINNメソッドがまだ進行中であることを強調したいと思います。 現実世界の問題に対してPINNを実現するためには、さらなる作業が必要である。

関連論文リスト

• Obtaining Optimal Spiking Neural Network in Sequence Learning via CRNN-SNN Conversion [12.893883491781697]
  スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワーク(ANN)に代わる有望な選択肢である 我々は、ニューラルネットワークにおける異なる構造のエンドツーエンド変換をサポートするために、2つのサブパイプを設計する。 本手法の有効性を,最先端の学習法や変換法と比較し,短時間・長期の時間スケールで示す。
  論文  参考訳（メタデータ） (2024-08-18T08:23:51Z)
• Separable Physics-Informed Neural Networks [6.439575695132489]
  PINNのためのネットワークアーキテクチャとトレーニングアルゴリズムを提案する。 SPINNは、多次元PDEにおけるネットワーク伝播数を著しく削減するために、軸単位で動作している。 そこで, SPINN は, 2+1-d Navier-Stokes 方程式を, より高速に解けることを示す。
  論文  参考訳（メタデータ） (2023-06-28T07:11:39Z)
• Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
  BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。 私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。 我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
  論文  参考訳（メタデータ） (2022-09-04T06:45:33Z)
• 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)
• Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
  科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。 ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
  論文  参考訳（メタデータ） (2022-06-01T18:48:01Z)
• Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method [70.19159220248805]
  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。
  論文  参考訳（メタデータ） (2022-05-18T06:50:44Z)
• Efficient and Accurate Conversion of Spiking Neural Network with Burst Spikes [9.210531698373256]
  脳にインスパイアされたエネルギー効率の高いニューラルネットワークとしてのスパイキングニューラルネットワーク(SNN)は、研究者の関心を集めている。 1つの効果的な方法は、訓練されたANNの重量をSNNにマッピングし、高い推論能力を達成することである。 変換されたスパイクニューラルネットワークは、しばしば性能劣化とかなりの遅延に悩まされる。 本稿では,残余情報の解法として,安価で高効率なバーストスパイクを放出するニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T03:48:17Z)
• 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)
• Physics-informed neural networks for solving Reynolds-averaged Navier$\unicode{x2013}$Stokes equations [0.0]
  我々は、特定のモデルや仮定なしで非圧縮性乱流の方程式を解くためにPINNを使用する。 乱流の場合,1%の精度で非常に良好な精度が得られる。
  論文  参考訳（メタデータ） (2021-07-22T14:34:22Z)
• RNN Training along Locally Optimal Trajectories via Frank-Wolfe Algorithm [50.76576946099215]
  小領域の損失面に局所的なミニマを反復的に求めることにより,RNNの新規かつ効率的なトレーニング手法を提案する。 新たなRNNトレーニング手法を開発し,追加コストを伴っても,全体のトレーニングコストがバックプロパゲーションよりも低いことを実証的に観察した。
  論文  参考訳（メタデータ） (2020-10-12T01:59:18Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)

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。