論文の概要: Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications

• arxiv url: http://arxiv.org/abs/2211.08064v1
• Date: Tue, 15 Nov 2022 11:34:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 13:16:06.342246
• Title: Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications
• Title（参考訳）: 物理インフォームド機械学習:問題,方法,応用に関する調査
• Authors: Zhongkai Hao, Songming Liu, Yichi Zhang, Chengyang Ying, Yao Feng, Hang Su, Jun Zhu
• Abstract要約: 最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。 本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 31.157298426186653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances of data-driven machine learning have revolutionized fields like computer vision, reinforcement learning, and many scientific and engineering domains. In many real-world and scientific problems, systems that generate data are governed by physical laws. Recent work shows that it provides potential benefits for machine learning models by incorporating the physical prior and collected data, which makes the intersection of machine learning and physics become a prevailing paradigm. In this survey, we present this learning paradigm called Physics-Informed Machine Learning (PIML) which is to build a model that leverages empirical data and available physical prior knowledge to improve performance on a set of tasks that involve a physical mechanism. We systematically review the recent development of physics-informed machine learning from three perspectives of machine learning tasks, representation of physical prior, and methods for incorporating physical prior. We also propose several important open research problems based on the current trends in the field. We argue that encoding different forms of physical prior into model architectures, optimizers, inference algorithms, and significant domain-specific applications like inverse engineering design and robotic control is far from fully being explored in the field of physics-informed machine learning. We believe that this study will encourage researchers in the machine learning community to actively participate in the interdisciplinary research of physics-informed machine learning.
• Abstract（参考訳）: データ駆動機械学習の最近の進歩は、コンピュータビジョン、強化学習、多くの科学および工学領域などの分野に革命をもたらした。 現実世界や科学上の多くの問題では、データを生成するシステムは物理法則によって制御される。 最近の研究は、物理先行データと収集データを組み込むことで機械学習モデルに潜在的な利点をもたらし、機械学習と物理の交わりが一般的なパラダイムとなることを示している。 本研究では、実験データと利用可能な物理事前知識を活用し、物理機構を含む一連のタスクのパフォーマンスを向上させるモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)と呼ばれる学習パラダイムを提案する。 物理インフォームド・機械学習の最近の発展を,機械学習タスク,物理先行表現,物理先行処理の3つの観点から体系的に検討した。 また,この分野の最近の動向に基づいて,いくつかの重要なオープンリサーチ問題を提案する。 モデルアーキテクチャ、オプティマイザ、推論アルゴリズム、および逆エンジニアリング設計やロボット制御のような重要なドメイン固有のアプリケーションに、様々な形の物理事前をエンコードすることは、物理インフォームド機械学習の分野で完全には研究されていない、と我々は主張する。 本研究は,物理情報処理機械学習の学際的な研究に機械学習コミュニティの研究者が積極的に参加することを促すだろうと考えている。

関連論文リスト

• Machine Learning with Physics Knowledge for Prediction: A Survey [16.96920919164813]
  本研究では,機械学習と物理知識を組み合わせて予測と予測を行う手法とモデルについて検討する。 まず、目的関数、構造化予測モデル、データ拡張を通じて、アーキテクチャレベルでの物理知識を取り入れることを検討する。 第二に、データを物理知識とみなし、マルチタスク、メタ、コンテキスト学習をデータ駆動方式で物理知識を組み込む代替アプローチとして考える。
  論文  参考訳（メタデータ） (2024-08-19T09:36:07Z)
• Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems [0.0]
  物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。 本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
  論文  参考訳（メタデータ） (2023-06-24T05:24:48Z)
• Physics-Informed Computer Vision: A Review and Perspectives [22.71741766133866]
  機械学習フレームワークに物理情報の組み入れが、多くのアプリケーションドメインを開放し、変換している。 本稿では,250以上の物理法則によるコンピュータビジョンタスクの定式化とアプローチに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-05-29T11:55:11Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• 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)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Integrating Machine Learning with Physics-Based Modeling [17.392391163553334]
  この記事では、幅広い関心事の1つに焦点を当てる。 機械学習と物理に基づくモデリングをどのように統合できるのか? 機械学習に基づく物理モデルを開発する上で最も重要な2つの課題について論じる。 最終的には、この統合がどこに導くのか、そして機械学習が科学的モデリングにうまく統合された後、新たなフロンティアがどこにあるのか、という一般的な議論で終わります。
  論文  参考訳（メタデータ） (2020-06-04T02:35:10Z)
• Physical reservoir computing -- An introductory perspective [0.0]
  物理貯水池計算は、物理系の複雑な力学を情報処理装置として利用することができる。 本稿では,ソフトロボティクスの例を用いて,フレームワークの可能性を説明する。
  論文  参考訳（メタデータ） (2020-05-03T05:39:06Z)

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。