論文の概要: Neural Operator: Is data all you need to model the world? An insight
into the impact of Physics Informed Machine Learning
- arxiv url: http://arxiv.org/abs/2301.13331v2
- Date: Mon, 18 Sep 2023 15:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 00:48:46.786328
- Title: Neural Operator: Is data all you need to model the world? An insight
into the impact of Physics Informed Machine Learning
- Title（参考訳）: Neural Operator: データはすべて、世界をモデル化するために必要なものなのでしょうか?
物理学インフォームド機械学習が与える影響についての一考察
- Authors: Hrishikesh Viswanath, Md Ashiqur Rahman, Abhijeet Vyas, Andrey Shor,
Beatriz Medeiros, Stephanie Hernandez, Suhas Eswarappa Prameela, Aniket Bera
- Abstract要約: 我々は、データ駆動アプローチが、工学や物理学の問題を解決する従来の手法を補完する方法についての洞察を提供する。
我々は,PDE演算子学習の解演算子を学習するための,新しい,高速な機械学習に基づくアプローチを強調した。
- 参考スコア（独自算出の注目度）: 13.050410285352605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerical approximations of partial differential equations (PDEs) are
routinely employed to formulate the solution of physics, engineering and
mathematical problems involving functions of several variables, such as the
propagation of heat or sound, fluid flow, elasticity, electrostatics,
electrodynamics, and more. While this has led to solving many complex
phenomena, there are some limitations. Conventional approaches such as Finite
Element Methods (FEMs) and Finite Differential Methods (FDMs) require
considerable time and are computationally expensive. In contrast, data driven
machine learning-based methods such as neural networks provide a faster, fairly
accurate alternative, and have certain advantages such as discretization
invariance and resolution invariance. This article aims to provide a
comprehensive insight into how data-driven approaches can complement
conventional techniques to solve engineering and physics problems, while also
noting some of the major pitfalls of machine learning-based approaches.
Furthermore, we highlight, a novel and fast machine learning-based approach
(~1000x) to learning the solution operator of a PDE operator learning. We will
note how these new computational approaches can bring immense advantages in
tackling many problems in fundamental and applied physics.
- Abstract（参考訳）: 偏微分方程式(PDE)の数値近似は、熱や音の伝播、流体の流れ、弾性、静電気、電気力学など、様々な変数の関数を含む物理学、工学、数学の問題を定式化するために日常的に用いられる。
このことが多くの複雑な現象の解決につながったが、いくつかの制限がある。
有限要素法(FEM)や有限微分法(FDM)といった従来の手法は、かなりの時間を要するため、計算コストがかかる。
対照的に、ニューラルネットワークのようなデータ駆動機械学習ベースの手法は、より速く、かなり正確な代替手段を提供し、離散化不変性や分解能不変性といったいくつかの利点がある。
この記事では、データ駆動アプローチがエンジニアリングや物理学の問題を解決する従来の手法をどのように補完するか、そして機械学習ベースのアプローチの大きな落とし穴を指摘したいと思います。
さらに、PDE演算子学習の解演算子を学習するための、新しくて高速な機械学習ベースのアプローチ(約1000倍)を強調した。
これらの新しい計算手法は、基礎物理学や応用物理学における多くの問題に取り組む上で、いかに大きな利点をもたらすかに注目したい。
関連論文リスト
- Mixed formulation of physics-informed neural networks for
thermo-mechanically coupled systems and heterogeneous domains [0.0]
物理インフォームドニューラルネットワーク(PINN)は境界値問題を解決するための新しいツールである。
近年の研究では、多くの工学的問題に対して損失関数を設計する際には、一階微分を使い、強い形式と弱い形式の方程式を組み合わせることにより、はるかに精度が向上することが示されている。
本研究では,多物理問題,特に定常熱力学的に結合した方程式系を解くために混合定式化を適用することを提案する。
論文 参考訳（メタデータ） (2023-02-09T21:56:59Z) - Can Physics-Informed Neural Networks beat the Finite Element Method? [1.1470070927586016]
偏微分方程式は、多くのプロセスやシステムの数学的モデリングにおいて基本的な役割を果たす。
様々な近似タスクにおけるディープニューラルネットワークの成功は、PDEの数値解における彼らの利用を動機付けている。
論文 参考訳（メタデータ） (2023-02-08T15:01:21Z) - Partial Differential Equations Meet Deep Neural Networks: A Survey [10.817323756266527]
科学と工学の問題は、数学的モデリングを通して偏微分方程式(PDE)の集合で表すことができる。
PDEに続くメカニズムベースの計算は、長い間、計算流体力学のようなトピックを研究する上で欠かせないパラダイムであった。
PDEを解く効果的な手段として、深層ニューラルネットワーク(DNN)が登場している。
論文 参考訳（メタデータ） (2022-10-27T07:01:56Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳（メタデータ） (2022-07-28T19:59:14Z) - Learning to correct spectral methods for simulating turbulent flows [6.110864131646294]
古典的数値手法と機械学習のハイブリッドにより、どちらの手法よりも大幅に改善できることが示される。
具体的には、流体力学の3つの共通偏微分方程式に対するML拡張スペクトル解法を開発する。
論文 参考訳（メタデータ） (2022-07-01T17:13:28Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - DeepPhysics: a physics aware deep learning framework for real-time
simulation [0.0]
データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。
ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。
その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
論文 参考訳（メタデータ） (2021-09-17T12:15:47Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Comparison of Distal Teacher Learning with Numerical and Analytical
Methods to Solve Inverse Kinematics for Rigid-Body Mechanisms [67.80123919697971]
私たちは、逆キネマティクス(DT)に対する最初の機械学習(ML)ソリューションの1つとして、微分可能なプログラミングライブラリを組み合わせると、実際には十分よいと論じています。
我々は,解答率,精度,サンプル効率,スケーラビリティを解析する。
十分なトレーニングデータと緩和精度の要求により、DTはより優れた解法率を持ち、15-DoF機構のための最先端の数値解法よりも高速である。
論文 参考訳（メタデータ） (2020-02-29T09:55:45Z)
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。