Fugu-MT 論文翻訳(概要): Physics-Informed Convolutional Neural Networks for Corruption Removal on Dynamical Systems

論文の概要: Physics-Informed Convolutional Neural Networks for Corruption Removal on Dynamical Systems

arxiv url: http://arxiv.org/abs/2210.16215v1
Date: Fri, 28 Oct 2022 15:43:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 17:36:42.035854
Title: Physics-Informed Convolutional Neural Networks for Corruption Removal on Dynamical Systems
Title（参考訳）: 物理学による畳み込みニューラルネットワークによる動的システムの破壊除去
Authors: Daniel Kelshaw, Luca Magri
Abstract要約: 定常汚濁除去のための物理インフォームド畳み込みニューラルネットワークを提案する。カオス乱流状態における2次元非圧縮性ナビエ・ストークス方程式の方法論について述べる。
参考スコア（独自算出の注目度）: 6.85316573653194
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Measurements on dynamical systems, experimental or otherwise, are often subjected to inaccuracies capable of introducing corruption; removal of which is a problem of fundamental importance in the physical sciences. In this work we propose physics-informed convolutional neural networks for stationary corruption removal, providing the means to extract physical solutions from data, given access to partial ground-truth observations at collocation points. We showcase the methodology for 2D incompressible Navier-Stokes equations in the chaotic-turbulent flow regime, demonstrating robustness to modality and magnitude of corruption.
Abstract（参考訳）: 力学系の測定は、実験的、その他の方法では、しばしば汚職を起こすことができる不正確さを被るが、その除去は物理科学において根本的な重要性の課題である。本研究では,データから物理解を抽出する手段を提供し,コロケーション点における部分的接地観測へのアクセスを前提とした,定常的破壊除去のための物理計算型畳み込みニューラルネットワークを提案する。カオス乱流構造における2次元非圧縮ナビエ-ストークス方程式の方法論を提示し,モダリティと腐敗の大きさに対する頑健性を示す。

関連論文リスト

Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
論文参考訳（メタデータ） (2024-10-02T09:44:54Z)
Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文参考訳（メタデータ） (2024-06-21T11:42:55Z)
Can physical information aid the generalization ability of Neural Networks for hydraulic modeling? [0.0]
河川水理学へのニューラルネットワークの適用は、データ不足に苦しむ分野にもかかわらず、未熟である。本稿では,トレーニングフェーズに物理情報を導入することで,そのような問題を緩和することを提案する。このようなソフトな物理情報を組み込むことで予測能力を向上できることを示す。
論文参考訳（メタデータ） (2024-03-13T14:51:16Z)
Super-resolving sparse observations in partial differential equations: A physics-constrained convolutional neural network approach [6.85316573653194]
非線形偏微分方程式のスパース観測から高分解能解を推定する物理制約畳み込みニューラルネットワーク(CNN)を提案する。データセットの事前の物理知識を制約することにより、高解像度のトレーニングを使わずに未解決の物理力学を推測できることが示される。
論文参考訳（メタデータ） (2023-06-19T15:00:04Z)
Uncovering solutions from data corrupted by systematic errors: A physics-constrained convolutional neural network approach [6.85316573653194]
本稿では,データから体系的な誤りを除去することで,基礎となる物理システムの解を解明するツールを提案する。このツールは物理制約付き畳み込みニューラルネットワーク(PC-CNN)で、方程式とデータを管理するシステムからの情報を組み合わせたものだ。
論文参考訳（メタデータ） (2023-06-07T17:04:36Z)
An Analysis of Physics-Informed Neural Networks [0.0]
我々は物理システム – 物理インフォームドニューラルネットワーク – に対する解を近似する新しいアプローチを提案する。人工ニューラルネットワークの概念を導入し、目的関数を定義し、最適化戦略について議論する。偏微分方程式は、問題の損失関数の制約として含まれ、ネットワークがモデリングしている物理系の力学の知識にアクセスできる。
論文参考訳（メタデータ） (2023-03-06T04:45:53Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文参考訳（メタデータ） (2021-10-14T14:05:19Z)
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)
Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文参考訳（メタデータ） (2021-04-06T18:29:14Z)
Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文参考訳（メタデータ） (2021-02-22T17:33:51Z)

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。