Fugu-MT 論文翻訳(概要): Physics-driven machine learning models coupling PyTorch and Firedrake

論文の概要: Physics-driven machine learning models coupling PyTorch and Firedrake

arxiv url: http://arxiv.org/abs/2303.06871v2
Date: Tue, 14 Mar 2023 14:49:08 GMT
ステータス: 処理完了
システム内更新日: 2023-03-15 11:08:42.824785
Title: Physics-driven machine learning models coupling PyTorch and Firedrake
Title（参考訳）: PyTorchとFiredrakeを結合した物理駆動機械学習モデル
Authors: Nacime Bouziani, David A. Ham
Abstract要約: 偏微分方程式 (Partial differential equation, PDE) は、複雑な物理系の記述とモデル化の中心である。 PDEベースの機械学習技術は、この制限に対処するために設計されている。機械学習フレームワークPyTorchとPDEシステムFiredrakeの単純な結合について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Partial differential equations (PDEs) are central to describing and modelling complex physical systems that arise in many disciplines across science and engineering. However, in many realistic applications PDE modelling provides an incomplete description of the physics of interest. PDE-based machine learning techniques are designed to address this limitation. In this approach, the PDE is used as an inductive bias enabling the coupled model to rely on fundamental physical laws while requiring less training data. The deployment of high-performance simulations coupling PDEs and machine learning to complex problems necessitates the composition of capabilities provided by machine learning and PDE-based frameworks. We present a simple yet effective coupling between the machine learning framework PyTorch and the PDE system Firedrake that provides researchers, engineers and domain specialists with a high productive way of specifying coupled models while only requiring trivial changes to existing code.
Abstract（参考訳）: 偏微分方程式 (Partial differential equation, PDE) は、科学や工学の分野にまたがる複雑な物理系の記述とモデル化の中心である。しかし、多くの現実的な応用において、PDEモデリングは関心の物理学の不完全な記述を提供する。 PDEベースの機械学習技術はこの制限に対処するために設計されている。このアプローチでは、PDEはインダクティブバイアスとして使われ、結合されたモデルは、トレーニングデータが少なくとも基本的な物理法則に依存することができる。 PDEと機械学習を複雑な問題に結合する高性能シミュレーションの展開は、機械学習とPDEベースのフレームワークが提供する機能の構成を必要とする。我々は、機械学習フレームワークPyTorchと、研究者、エンジニア、ドメインスペシャリストに、既存のコードに簡単な変更しか必要とせず、結合したモデルを特定する高い生産性の方法を提供するPDEシステムFiredrakeとの、シンプルで効果的な結合を提示する。

関連論文リスト

Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。実験的に、LSMは一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文参考訳（メタデータ） (2023-01-30T04:58:40Z)
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)
Fourier Neural Operator with Learned Deformations for PDEs on General Geometries [62.45777230253574]
我々は任意の測地上でPDEを解決するための新しいフレームワーク、viz.、geo-FNOを提案する。 Geo-FNO は入力(物理)領域を不規則で、一様格子を持つ潜在空間に変形させることを学ぶ。我々は, 弾性, 塑性, オイラー方程式, ナビエ・ストークス方程式などの多種多様なPDEと, 前方モデリングと逆設計の問題を考察する。
論文参考訳（メタデータ） (2022-07-11T21:55:47Z)
Multi-scale Physical Representations for Approximating PDE Solutions with Graph Neural Operators [14.466945570499183]
EmphMessage Passing Graph Neural Networks (MPGNN) を近似した積分カーネル演算子を用いた3つのマルチレゾリューションスキーマについて検討する。本研究では, 定常かつ非定常なPDEを考慮したMPGNN実験を行った。
論文参考訳（メタデータ） (2022-06-29T14:42:03Z)
LordNet: Learning to Solve Parametric Partial Differential Equations without Simulated Data [63.55861160124684]
本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。具体的には,低ランク分解ネットワーク(LordNet)を提案する。 Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
論文参考訳（メタデータ） (2022-06-19T14:41:08Z)
A composable autoencoder-based iterative algorithm for accelerating numerical simulations [0.0]
CoAE-MLSimは教師なし、低次元の局所的手法であり、商用PDEソルバで使われる重要なアイデアから動機づけられている。計算速度、精度、スケーラビリティ、様々なPDE条件に対する一般化を実証するために、様々な複雑なエンジニアリングケースでテストされている。
論文参考訳（メタデータ） (2021-10-07T20:22:37Z)
AdjointNet: Constraining machine learning models with physics-based codes [0.17205106391379021]
本稿では,物理制約付き機械学習フレームワークであるAdjointNetを提案する。提案するAdjointNetフレームワークは,パラメータ推定(および拡張による不確実性定量化)と,アクティブラーニングを用いた実験設計に利用できることを示す。
論文参考訳（メタデータ） (2021-09-08T22:43:44Z)
APIK: Active Physics-Informed Kriging Model with Partial Differential Equations [6.918364447822299]
本稿では,PDEポイントの集合を介してPDE情報を導入し,標準クリグ法と同様の後方予測を行うPDE Informed Kriging Model (PIK)を提案する。学習性能をさらに向上させるために,PDEポイントをデザインし,PIKモデルと測定データに基づいたPDE情報を活用するアクティブPIKフレームワーク(APIK)を提案する。
論文参考訳（メタデータ） (2020-12-22T02:31:26Z)
Neural-PDE: A RNN based neural network for solving time dependent PDEs [6.560798708375526]
偏微分方程式 (Partial differential equation, PDE) は、科学や工学における多くの問題を研究する上で重要な役割を果たしている。本稿では,時間依存型PDEシステムのルールを自動的に学習する,Neural-PDEと呼ばれるシーケンス深層学習フレームワークを提案する。我々の実験では、ニューラルPDEは20時間以内のトレーニングで効率よく力学を抽出し、正確な予測を行うことができる。
論文参考訳（メタデータ） (2020-09-08T15:46:00Z)
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)
Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文参考訳（メタデータ） (2020-01-21T11:58:41Z)

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。