Fugu-MT 論文翻訳(概要): Physics-Informed CNNs for Super-Resolution of Sparse Observations on Dynamical Systems

論文の概要: Physics-Informed CNNs for Super-Resolution of Sparse Observations on Dynamical Systems

arxiv url: http://arxiv.org/abs/2210.17319v1
Date: Mon, 31 Oct 2022 13:36:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 19:40:17.975789
Title: Physics-Informed CNNs for Super-Resolution of Sparse Observations on Dynamical Systems
Title（参考訳）: 物理インフォームドCNNによる力学系におけるスパース観測の超解法
Authors: Daniel Kelshaw, Georgios Rigas, Luca Magri
Abstract要約: 格子上のスパース観測の超解像に対する物理インフォームド畳み込みニューラルネットワークの適用について述べる。カオス乱流コルモゴロフ流について, より微細な乱流の解法の可能性を示した。
参考スコア（独自算出の注目度）: 5.8010446129208155
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the absence of high-resolution samples, super-resolution of sparse observations on dynamical systems is a challenging problem with wide-reaching applications in experimental settings. We showcase the application of physics-informed convolutional neural networks for super-resolution of sparse observations on grids. Results are shown for the chaotic-turbulent Kolmogorov flow, demonstrating the potential of this method for resolving finer scales of turbulence when compared with classic interpolation methods, and thus effectively reconstructing missing physics.
Abstract（参考訳）: 高分解能サンプルがない場合、力学系におけるスパース観測の超分解能は、実験環境における広範囲の応用において難しい問題である。格子上のスパース観測の超解像に対する物理インフォームド畳み込みニューラルネットワークの適用について述べる。その結果, カオス乱流コルモゴロフ流は, 古典補間法と比較して乱流の微妙なスケールを解消する可能性を示し, 行方不明物理を効果的に再構成した。

関連論文リスト

GrINd: Grid Interpolation Network for Scattered Observations [3.1516690022588616]
GrINd(Grid Interpolation for Scattered Observations)は、散乱した観測を高解像度グリッドにマッピングする新しいネットワークアーキテクチャである。高分解能空間において、NeuralPDEクラスモデルは、微分可能なODEソルバと完全な畳み込みニューラルネットワークを用いて、将来の時点におけるシステムの状態を予測する。我々は,分散した場所で観測された6つの物理系からなるベンチダイナベンチマークデータセット上で,GrINdを実験的に評価した。
論文参考訳（メタデータ） (2024-03-28T16:52:47Z)
A Novel Paradigm in Solving Multiscale Problems [14.84863023066158]
本稿では,大規模力学を独立にモデル化し,小規模力学をスレーブシステムとして扱うことにより,新しい疎結合解法を提案する。スペクトル物理学インフォームドニューラルネットワーク(PINN)は,小型システムを効率的かつ高精度に特徴付けるために開発された。
論文参考訳（メタデータ） (2024-02-07T18:19:51Z)
Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
論文参考訳（メタデータ） (2023-09-27T15:41:12Z)
SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems [0.0]
本稿では,ディープラーニング技術を活用した逆問題の解法を提案する。目的は、観測データに基づいて物理システムを管理する未知のパラメータを推論することである。
論文参考訳（メタデータ） (2023-09-27T06:34:55Z)
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)
Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文参考訳（メタデータ） (2023-03-03T08:17:47Z)
Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文参考訳（メタデータ） (2022-06-29T19:03:10Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
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)
Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文参考訳（メタデータ） (2021-04-22T19:20:47Z)
Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文参考訳（メタデータ） (2020-12-11T08:34:26Z)

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。