論文の概要: Transfer Learning with Physics-Informed Neural Networks for Efficient Simulation of Branched Flows

• arxiv url: http://arxiv.org/abs/2211.00214v1
• Date: Tue, 1 Nov 2022 01:50:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 14:45:42.277384
• Title: Transfer Learning with Physics-Informed Neural Networks for Efficient Simulation of Branched Flows
• Title（参考訳）: 分岐流れの効率的なシミュレーションのための物理形ニューラルネットワークによる転送学習
• Authors: Rapha\"el Pellegrin, Blake Bullwinkel, Marios Mattheakis, Pavlos Protopapas
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は微分方程式を解くための有望なアプローチを提供する。 PINNに対して最近開発されたトランスファー学習アプローチを採用し,マルチヘッドモデルを提案する。 提案手法は,スクラッチからトレーニングした標準PINNと比較して,計算速度が大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-Informed Neural Networks (PINNs) offer a promising approach to solving differential equations and, more generally, to applying deep learning to problems in the physical sciences. We adopt a recently developed transfer learning approach for PINNs and introduce a multi-head model to efficiently obtain accurate solutions to nonlinear systems of ordinary differential equations with random potentials. In particular, we apply the method to simulate stochastic branched flows, a universal phenomenon in random wave dynamics. Finally, we compare the results achieved by feed forward and GAN-based PINNs on two physically relevant transfer learning tasks and show that our methods provide significant computational speedups in comparison to standard PINNs trained from scratch.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(PINN)は、微分方程式を解くための有望なアプローチを提供し、より一般的には、物理科学における問題にディープラーニングを適用する。 我々は、最近開発されたPINNの移動学習手法を採用し、ランダムポテンシャルを持つ常微分方程式の非線形系に対する正確な解を得るためのマルチヘッドモデルを提案する。 特に,ランダム波動力学における普遍現象である確率分岐流のシミュレートに本手法を適用した。 最後に,2つの物理的な伝達学習課題に対して,フィードフォワードとGANベースのPINNで達成した結果を比較し,本手法がスクラッチから訓練した標準PINNと比較して,計算速度を著しく向上させることを示した。

関連論文リスト

• Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
  物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。 バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-02T14:38:37Z)
• Knowledge-Based Convolutional Neural Network for the Simulation and Prediction of Two-Phase Darcy Flows [3.5707423185282656]
  物理インフォームドニューラルネットワーク(PINN)は、科学計算とシミュレーションの分野で強力なツールとして注目されている。 本稿では、ニューラルネットワークのパワーと、離散化微分方程式によって課される力学を組み合わせることを提案する。 支配方程式を識別することにより、PINNは不連続性を考慮し、入力と出力の間の基礎となる関係を正確に捉えることを学ぶ。
  論文  参考訳（メタデータ） (2024-04-04T06:56:32Z)
• Enriched Physics-informed Neural Networks for Dynamic Poisson-Nernst-Planck Systems [0.8192907805418583]
  本稿では、動的Poisson-Nernst-Planck(PNP)方程式を解くために、メッシュレス深層学習アルゴリズム、EPINN(enriched Physics-informed Neural Network)を提案する。 EPINNは、従来の物理インフォームドニューラルネットワークを基盤フレームワークとして、損失関数のバランスをとるために適応的な損失重みを追加する。 数値計算の結果, 結合された非線形系の解法において, 従来の数値法よりも適用性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-01T02:57:07Z)
• Burgers' pinns with implicit euler transfer learning [0.0]
  バーガーズ方程式は、いくつかの現象の計算モデルにおいて確立されたテストケースである。 本稿では,バーガース方程式を解くために,暗黙のオイラー変換学習手法を用いた物理情報ニューラルネットワーク(PINN)の適用について述べる。
  論文  参考訳（メタデータ） (2023-10-23T20:15:45Z)
• 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)
• 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)
• One-Shot Transfer Learning of Physics-Informed Neural Networks [2.6084034060847894]
  本稿では,通常の微分方程式と偏微分方程式の両方の線形系に対して,一発の推論結果をもたらす伝達学習PINNの枠組みを提案する。 これは、多くの未知の微分方程式に対する高精度な解は、ネットワーク全体を再訓練することなく瞬時に得られることを意味する。
  論文  参考訳（メタデータ） (2021-10-21T17:14:58Z)
• 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)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。