論文の概要: Data-driven hysteretic behavior simulation based on weighted stacked pyramid neural network architecture

• arxiv url: http://arxiv.org/abs/2206.03990v1
• Date: Fri, 29 Apr 2022 16:42:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 03:42:12.864913
• Title: Data-driven hysteretic behavior simulation based on weighted stacked pyramid neural network architecture
• Title（参考訳）: 重み付けされたピラミッドニューラルネットワークアーキテクチャに基づくデータ駆動ヒステリック行動シミュレーション
• Authors: Yongjia Xu, Xinzheng Lu, Yifan Fei, Yuli Huang
• Abstract要約: ニューラルネットワークに基づく代理モデルでは、効率と精度のバランスをとる大きな可能性を示している。 ここでは重み付けされたピラミッドニューラルネットワークアーキテクチャを提案する。 結果は、様々なデータセット上のネットワークの平均2乗誤差(MSE)損失を平均34.7%削減できることを示している。
• 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: An accurate and efficient simulation of the hysteretic behavior of materials and components is essential for structural analysis. The surrogate model based on neural networks shows significant potential in balancing efficiency and accuracy. However, its serial information flow and prediction based on single-level features adversely affect the network performance. Therefore, a weighted stacked pyramid neural network architecture is proposed herein. This network establishes a pyramid architecture by introducing multi-level shortcuts to directly integrate features in the output module. In addition, a weighted stacked strategy is proposed to replace the conventional feature fusion method. The weights of the features are determined based on their levels. These basic principles are verified, and key network settings are discussed. Subsequently, the redesigned architectures are compared with other commonly used algorithms. Results show that the testing mean-square error (MSE) loss of the networks on varied datasets can be reduced by an average of 34.7%. The redesigned architectures outperform 87.5% of cases, and the proposed Pyramid-GA network has the best overall performance.
• Abstract（参考訳）: 構造解析には材料・成分の履歴挙動の高精度かつ効率的なシミュレーションが不可欠である。 ニューラルネットワークに基づくサーロゲートモデルは、効率と精度のバランスをとる可能性を示す。 しかし、そのシリアル情報の流れとシングルレベル特徴に基づく予測はネットワーク性能に悪影響を及ぼす。 したがって、重み付けされたピラミッドニューラルネットワークアーキテクチャを提案する。 このネットワークは、出力モジュールの機能を直接統合するマルチレベルショートカットを導入することで、ピラミッドアーキテクチャを確立する。 また,従来の特徴融合法に代わる重み付き重み付き戦略を提案する。 特徴の重みは、そのレベルに基づいて決定される。 これらの基本原則が検証され、鍵となるネットワーク設定が議論される。 その後、再設計されたアーキテクチャは他の一般的なアルゴリズムと比較される。 結果は、様々なデータセット上のネットワークの平均2乗誤差(MSE)損失を平均34.7%削減できることを示している。 再設計されたアーキテクチャは87.5%のケースより優れており、提案されたピラミッド-GAネットワークは全体的なパフォーマンスが最も優れている。

関連論文リスト

• Neuromorphic on-chip reservoir computing with spiking neural network architectures [0.562479170374811]
  貯留層コンピューティングは、リカレントニューラルネットワークの計算能力を活用するための有望なアプローチである。 本稿では,貯水池計算フレームワークにおける統合・火災ニューロンの2つのタスクへの適用について検討する。 本稿では,IntelのニューロモーフィックコンピューティングソフトウェアフレームワークであるLavaと,Loihiのオンチップ実装を用いて,独自の統合・ファイアコードを用いた貯水池計算性能について検討する。
  論文  参考訳（メタデータ） (2024-07-30T05:05:09Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
  高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。 本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。 ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
  論文  参考訳（メタデータ） (2024-02-27T11:52:49Z)
• Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
  本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。 我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。 ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-26T04:34:28Z)
• Analyze and Design Network Architectures by Recursion Formulas [4.085771561472743]
  この研究は、新しいネットワークアーキテクチャを設計するための効果的な方法を見つけ出そうとする。 ネットワークアーキテクチャの主な違いは,それらの公式に反映できることが判明した。 ResNetに基づいた改良されたアーキテクチャを生成するためのケーススタディが提供されている。 CIFARとImageNetで大規模な実験が行われ、大幅なパフォーマンス改善が見られた。
  論文  参考訳（メタデータ） (2021-08-18T06:53:30Z)
• An End to End Network Architecture for Fundamental Matrix Estimation [14.297068346634351]
  ステレオ画像から直接基本行列を推定する新しいエンドツーエンドネットワークアーキテクチャを提案する。 画像内の対応関係を見つけ、外乱の拒絶を行い、基本行列を計算するための異なるディープニューラルネットワークを、エンドツーエンドのネットワークアーキテクチャに統合する。
  論文  参考訳（メタデータ） (2020-10-29T12:48:43Z)
• Adversarially Robust Neural Architectures [43.74185132684662]
  本稿では,NASフレームワークを用いたアーキテクチャの観点から,ネットワークの対角的ロバスト性を改善することを目的とする。 本稿では, 対向ロバスト性, リプシッツ定数, アーキテクチャパラメータの関係について検討する。 提案アルゴリズムは,異なるデータセットに対する様々な攻撃の下で,すべてのモデルの中で最高の性能を実証的に達成する。
  論文  参考訳（メタデータ） (2020-09-02T08:52:15Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。