論文の概要: Deep Physics Corrector: A physics enhanced deep learning architecture
for solving stochastic differential equations
- arxiv url: http://arxiv.org/abs/2209.09750v1
- Date: Tue, 20 Sep 2022 14:30:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 17:51:40.118789
- Title: Deep Physics Corrector: A physics enhanced deep learning architecture
for solving stochastic differential equations
- Title（参考訳）: 深部物理学補正器:確率微分方程式を解くための物理強化深部学習アーキテクチャ
- Authors: Tushar and Souvik Chakraborty
- Abstract要約: 微分方程式(SDE)によって制御される物理系に対する新しいグレーボックスモデリングアルゴリズムを提案する。
提案手法はDeep Physics Corrector(DPC)と呼ばれ、SDEとDeep Neural Network(DNN)で表される近似物理学をブレンドする。
本論文では,本論文の4つのベンチマーク例について,提案したDPCの性能について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose a novel gray-box modeling algorithm for physical systems governed
by stochastic differential equations (SDE). The proposed approach, referred to
as the Deep Physics Corrector (DPC), blends approximate physics represented in
terms of SDE with deep neural network (DNN). The primary idea here is to
exploit DNN to model the missing physics. We hypothesize that combining
incomplete physics with data will make the model interpretable and allow better
generalization. The primary bottleneck associated with training surrogate
models for stochastic simulators is often associated with selecting the
suitable loss function. Among the different loss functions available in the
literature, we use the conditional maximum mean discrepancy (CMMD) loss
function in DPC because of its proven performance. Overall, physics-data fusion
and CMMD allow DPC to learn from sparse data. We illustrate the performance of
the proposed DPC on four benchmark examples from the literature. The results
obtained are highly accurate, indicating its possible application as a
surrogate model for stochastic simulators.
- Abstract（参考訳）: 確率微分方程式(SDE)によって制御される物理系に対する新しいグレーボックスモデリングアルゴリズムを提案する。
提案手法はDeep Physics Corrector (DPC)と呼ばれ、SDEとDeep Neural Network (DNN)で表される近似物理学をブレンドする。
第一のアイデアは、DNNを利用して行方不明の物理学をモデル化することだ。
不完全な物理とデータを組み合わせることで、モデルは解釈可能になり、より一般化できるという仮説を立てる。
確率シミュレータのトレーニング代理モデルに関連する主なボトルネックは、しばしば適切な損失関数を選択することである。
文献で利用可能な異なる損失関数のうち,dpcの条件付き最大平均損失関数(cmmd)は,その性能が証明されている。
全体として、物理データ融合とCMMDにより、DPCはスパースデータから学習することができる。
提案するdpcの性能を,文献から得られた4つのベンチマーク例で示す。
その結果,確率シミュレータのサロゲートモデルとしての利用の可能性が示唆された。
関連論文リスト
- Metamizer: a versatile neural optimizer for fast and accurate physics simulations [4.717325308876749]
本稿では,広範囲の物理システムを高精度で反復的に解く,新しいニューラルネットワークであるMetamizerを紹介する。
我々は,メタマイザがディープラーニングに基づくアプローチにおいて,前例のない精度で達成できることを実証した。
以上の結果から,メタミザーは将来の数値解法に大きな影響を与える可能性が示唆された。
論文 参考訳（メタデータ） (2024-10-10T11:54:31Z) - Text2PDE: Latent Diffusion Models for Accessible Physics Simulation [7.16525545814044]
物理シミュレーションに潜時拡散モデルを適用する方法をいくつか紹介する。
提案手法は、現在のニューラルPDEソルバと、精度と効率の両面で競合することを示す。
スケーラブルで正確で使用可能な物理シミュレータを導入することで、ニューラルPDEソルバを実用化に近づけたいと思っています。
論文 参考訳（メタデータ） (2024-10-02T01:09:47Z) - Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。
本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。
データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
論文 参考訳（メタデータ） (2023-07-23T12:12:44Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - 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) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - 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) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。
概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
論文 参考訳（メタデータ） (2021-12-10T12:39:07Z) - AdjointNet: Constraining machine learning models with physics-based
codes [0.17205106391379021]
本稿では,物理制約付き機械学習フレームワークであるAdjointNetを提案する。
提案するAdjointNetフレームワークは,パラメータ推定(および拡張による不確実性定量化)と,アクティブラーニングを用いた実験設計に利用できることを示す。
論文 参考訳（メタデータ） (2021-09-08T22:43:44Z)
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。