論文の概要: Self-Validated Physics-Embedding Network: A General Framework for Inverse Modelling

• arxiv url: http://arxiv.org/abs/2210.06071v1
• Date: Wed, 12 Oct 2022 10:31:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 14:18:59.110063
• Title: Self-Validated Physics-Embedding Network: A General Framework for Inverse Modelling
• Title（参考訳）: 自己評価型物理エンベディングネットワーク : 逆モデリングのための汎用フレームワーク
• Authors: Ruiyuan Kang, Dimitrios C. Kyritsis, Panos Liatsis
• Abstract要約: SVPEN(Self-Embedding Physics-Embedding Network)は、逆モデリングのための一般的なニューラルネットワークフレームワークである。 組込み物理フォワードモデルは、そのバリデーションに合格した任意の解が物理的に妥当であることを保証する。 非常に非線形で完全に異なる2つの応用における10以上のケーススタディが提示される。
• 参考スコア（独自算出の注目度）: 2.449329947677678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-based inverse modeling techniques are typically restricted to particular research fields, whereas popular machine-learning-based ones are too data-dependent to guarantee the physical compatibility of the solution. In this paper, Self-Validated Physics-Embedding Network (SVPEN), a general neural network framework for inverse modeling is proposed. As its name suggests, the embedded physical forward model ensures that any solution that successfully passes its validation is physically reasonable. SVPEN operates in two modes: (a) the inverse function mode offers rapid state estimation as conventional supervised learning, and (b) the optimization mode offers a way to iteratively correct estimations that fail the validation process. Furthermore, the optimization mode provides SVPEN with reconfigurability i.e., replacing components like neural networks, physical models, and error calculations at will to solve a series of distinct inverse problems without pretraining. More than ten case studies in two highly nonlinear and entirely distinct applications: molecular absorption spectroscopy and Turbofan cycle analysis, demonstrate the generality, physical reliability, and reconfigurability of SVPEN. More importantly, SVPEN offers a solid foundation to use existing physical models within the context of AI, so as to striking a balance between data-driven and physics-driven models.
• Abstract（参考訳）: 物理ベースの逆モデリング技術は通常、特定の研究分野に限られるが、一般的な機械学習ベースの手法は、ソリューションの物理的互換性を保証するには、データに依存しすぎる。 本稿では,逆モデリングのためのニューラルネットワークフレームワークであるSVPEN(Self-Validated Physics-Embedding Network)を提案する。 その名前が示すように、組み込み物理フォワードモデルは、検証にうまく合格したソリューションが物理的に合理的であることを保証する。 SVPENは2つのモードで動作します。 (a)逆関数モードは、従来の教師付き学習として高速な状態推定を提供し、 b) 最適化モードは、検証プロセスに失敗する推定を反復的に補正する方法を提供する。 さらに、最適化モードは、SVPENに再構成可能性、すなわちニューラルネットワーク、物理モデル、エラー計算などのコンポーネントを置き換えることで、事前トレーニングなしで一連の異なる逆問題を解決する。 分子吸収分光法とターボファンサイクル解析という非常に非線形で完全に異なる2つの応用における10以上のケーススタディは、SVPENの一般性、物理的信頼性、再構成可能性を示している。 さらに重要なのは、SVPENは、AIのコンテキスト内で既存の物理モデルを使用するための確固たる基盤を提供し、データ駆動モデルと物理駆動モデルとのバランスを崩すことだ。

関連論文リスト

• Adapting Physics-Informed Neural Networks To Optimize ODEs in Mosquito Population Dynamics [0.019972837513980313]
  本稿では,ODE システムの前方および逆問題に対していくつかの改良を加えた PINN フレームワークを提案する。 この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。 予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。
  論文  参考訳（メタデータ） (2024-06-07T17:40:38Z)
• Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
  モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。 提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-07T19:02:13Z)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [3.900623554490941]
  我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。 MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。