論文の概要: Bayesian Physics Informed Neural Networks for Data Assimilation and Spatio-Temporal Modelling of Wildfires

• arxiv url: http://arxiv.org/abs/2212.00970v1
• Date: Fri, 2 Dec 2022 05:00:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 17:15:43.709291
• Title: Bayesian Physics Informed Neural Networks for Data Assimilation and Spatio-Temporal Modelling of Wildfires
• Title（参考訳）: ベイズ物理学インフォームドニューラルネットワークによる野火のデータの同化と時空間モデリング
• Authors: Joel Janek Dabrowski, Daniel Edward Pagendam, James Hilton, Conrad Sanderson, Daniel MacKinlay, Carolyn Huston, Andrew Bolt, Petra Kuhnert
• Abstract要約: PINNは、ニューラルネットワークの最適化損失関数に微分方程式を統合するアプローチである。 外部条件の極端に変化した火災の物理的特性を学習するためのPINNの俊敏性を示す。 これは、レベルセット法が自然にこの機能を提供していないため、ワイルドファイアモデリングに重要な貢献である。
• 参考スコア（独自算出の注目度）: 11.00425904688764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We apply Physics Informed Neural Networks (PINNs) to the problem of wildfire fire-front modelling. The PINN is an approach that integrates a differential equation into the optimisation loss function of a neural network to guide the neural network to learn the physics of a problem. We apply the PINN to the level-set equation, which is a Hamilton-Jacobi partial differential equation that models a fire-front with the zero-level set. This results in a PINN that simulates a fire-front as it propagates through a spatio-temporal domain. We demonstrate the agility of the PINN to learn physical properties of a fire under extreme changes in external conditions (such as wind) and show that this approach encourages continuity of the PINN's solution across time. Furthermore, we demonstrate how data assimilation and uncertainty quantification can be incorporated into the PINN in the wildfire context. This is significant contribution to wildfire modelling as the level-set method -- which is a standard solver to the level-set equation -- does not naturally provide this capability.
• Abstract（参考訳）: 本研究では,山火事前モデリング問題に物理情報ニューラルネットワーク(PINN)を適用した。 PINNは、微分方程式をニューラルネットワークの最適化損失関数に統合し、ニューラルネットワークを誘導して問題の物理学を学ぶアプローチである。 ハミルトン・ヤコビ偏微分方程式(hamilton-jacobi partial differential equation)は、ゼロレベル集合の火前部をモデル化する方程式である。 この結果、PINNは、時空間ドメインを介して伝播するファイアフロントをシミュレートする。 我々は,外部条件(風など)の極端に変化した火災の物理的特性を学習するPINNの機敏さを実証し,この手法がPINNの解の連続性を促進することを示す。 さらに,データ同化と不確実性定量化が山火事のピンにどのように組み込まれるかを示す。 これは、レベルセット方程式の標準解法であるレベルセット法が、自然にこの機能を提供していないため、ワイルドファイアモデリングに重要な貢献である。

関連論文リスト

• Learning solutions of parametric Navier-Stokes with physics-informed neural networks [0.3989223013441816]
  パラメトリックナビエ・ストークス方程式(NSE)の解関数の学習にPIN(Palformed-Informed Neural Networks)を利用する。 パラメータのパラメータを座標とともにPINの入力とみなし、パラメータのインスタンスに対するパラメトリックPDESの数値解に基づいてPINを訓練する。 提案手法は, 解関数を学習するPINNモデルを最適化し, 流量予測が質量・運動量の保存則と一致していることを確認する。
  論文  参考訳（メタデータ） (2024-02-05T16:19:53Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Data-driven localized waves and parameter discovery in the massive Thirring model via extended physics-informed neural networks with interface zones [3.522950356329991]
  深層学習を用いた大規模Thiring(MT)モデルにおいて,データ駆動型局所波動解とパラメータ発見について検討した。 高次局所波解に対しては、拡張PINN(XPINN)とドメイン分解を用いる。 実験結果から, XPINNsの改良により, 収束速度が速く, 計算の複雑さを低減できることがわかった。
  論文  参考訳（メタデータ） (2023-09-29T13:50:32Z)
• Predictive Limitations of Physics-Informed Neural Networks in Vortex Shedding [0.0]
  2Dシリンダーのまわりの流れを見て、データのないPINNは渦の沈みを予測できないことに気付きました。 データ駆動型PINNは、トレーニングデータが利用可能である間のみ渦シーディングを表示するが、データフローが停止したときに定常状態のソリューションに戻す。 複素平面上のクープマン固有値の分布は、PINNが数値的に分散し、拡散することを示唆している。
  論文  参考訳（メタデータ） (2023-05-31T22:59:52Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Robust Learning of Physics Informed Neural Networks [2.86989372262348]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。 本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
  論文  参考訳（メタデータ） (2021-10-26T00:10:57Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• PIVEN: A Deep Neural Network for Prediction Intervals with Specific Value Prediction [14.635820704895034]
  PIと値予測の両方を生成するディープニューラルネットワークであるPIVENを提案する。 提案手法では,PI内のデータ分布に関する仮定は行わず,実世界の様々な問題に対して,その価値予測をより効果的に行う。
  論文  参考訳（メタデータ） (2020-06-09T09:29:58Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。