論文の概要: Phy-Taylor: Physics-Model-Based Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2209.13511v1
• Date: Tue, 27 Sep 2022 16:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 14:48:57.708176
• Title: Phy-Taylor: Physics-Model-Based Deep Neural Networks
• Title（参考訳）: Phy-Taylor:物理モデルに基づくディープニューラルネットワーク
• Authors: Yanbing Mao, Lui Sha, Huajie Shao, Yuliang Gu, Qixin Wang, Tarek Abdelzaher
• Abstract要約: 本稿では物理モデルに基づくPhy-Taylor(Phy-Taylor)フレームワークを提案する。 Phy-Taylorフレームワークは、新しいアーキテクチャ物理互換ニューラルネットワーク(PhN)を導入し、新しいコンプライアンスメカニズムを備えている。 我々は,Phy-Taylorのパラメータがかなり少なく,トレーニングプロセスが大幅に高速化され,頑健性モデルと精度が向上したことを示す。
• 参考スコア（独自算出の注目度）: 3.962444522461078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purely data-driven deep neural networks (DNNs) applied to physical engineering systems can infer relations that violate physics laws, thus leading to unexpected consequences. To address this challenge, we propose a physics-model-based DNN framework, called Phy-Taylor, that accelerates learning compliant representations with physical knowledge. The Phy-Taylor framework makes two key contributions; it introduces a new architectural Physics-compatible neural network (PhN), and features a novel compliance mechanism, we call {\em Physics-guided Neural Network Editing\/}. The PhN aims to directly capture nonlinearities inspired by physical quantities, such as kinetic energy, potential energy, electrical power, and aerodynamic drag force. To do so, the PhN augments neural network layers with two key components: (i) monomials of Taylor series expansion of nonlinear functions capturing physical knowledge, and (ii) a suppressor for mitigating the influence of noise. The neural-network editing mechanism further modifies network links and activation functions consistently with physical knowledge. As an extension, we also propose a self-correcting Phy-Taylor framework that introduces two additional capabilities: (i) physics-model-based safety relationship learning, and (ii) automatic output correction when violations of safety occur. Through experiments, we show that (by expressing hard-to-learn nonlinearities directly and by constraining dependencies) Phy-Taylor features considerably fewer parameters, and a remarkably accelerated training process, while offering enhanced model robustness and accuracy.
• Abstract（参考訳）: 物理工学システムに適用される純粋にデータ駆動のディープニューラルネットワーク(DNN)は、物理法則に違反した関係を推測し、予期せぬ結果をもたらす。 この課題に対処するために,Phy-Taylor という物理モデルに基づく DNN フレームワークを提案する。 Phy-Taylorフレームワークは、2つの重要な貢献をしている。新しいアーキテクチャの物理互換ニューラルネットワーク(PhN)を導入し、新しいコンプライアンスメカニズムを特徴とし、我々は {\em Physics-guided Neural Network Editing\/} と呼ぶ。 phnは運動エネルギー、ポテンシャルエネルギー、電力、空力抵抗といった物理量に触発された非線形性を直接捉えることを目的としている。 そのためにPhNは、ニューラルネットワーク層を2つの重要なコンポーネントで強化する。 (i)物理知識を捉える非線形関数のテイラー級数展開の単項式、及び (ii)騒音の影響を緩和するための抑制器。 ニューラルネットワーク編集機構は、物理知識と一貫してネットワークリンクとアクティベーション機能を変更する。 拡張として,2つの追加機能を導入する自己修正型Phy-Taylorフレームワークを提案する。 (i)物理モデルに基づく安全関係学習、及び (ii)安全違反が発生した場合の自動出力補正。 実験により,Phy-Taylorは,(直接的かつ依存関係を制約することによって)パラメータが大幅に小さくなり,トレーニングプロセスが大幅に高速化され,モデルの堅牢性と精度が向上した。

関連論文リスト

• Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
  二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。 その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
  論文  参考訳（メタデータ） (2024-10-05T10:32:51Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• 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 ConvNet: Learning Physical Field from a Shallow Neural Network [0.180476943513092]
  マルチ物理システムのモデル化と予測は、避けられないデータ不足とノイズのために依然として課題である。 物理インフォームド・コンボリューション・ネットワーク(PICN)と呼ばれる新しいフレームワークは、CNNの観点から推奨されている。 PICNは物理インフォームド機械学習において、代替のニューラルネットワークソルバとなる可能性がある。
  論文  参考訳（メタデータ） (2022-01-26T14:35:58Z)
• Thermodynamic Consistent Neural Networks for Learning Material Interfacial Mechanics [6.087530833458481]
  トラクション・セパレーション関係(TSR)は、開口中の材料界面の力学的挙動を定量的に記述する。 ニューラルネットワークはロードパスとうまく適合するが、物理の法則に従わないことが多い。 本稿では,TSRのデータ駆動モデルを構築するための熱力学的一貫したニューラルネットワーク (TCNN) を提案する。
  論文  参考訳（メタデータ） (2020-11-28T17:25:10Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Thermodynamics-based Artificial Neural Networks for constitutive modeling [0.0]
  本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。 熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。 本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
  論文  参考訳（メタデータ） (2020-05-25T15:56:34Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。