論文の概要: On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem

• arxiv url: http://arxiv.org/abs/2303.08455v2
• Date: Thu, 16 Mar 2023 05:13:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 11:22:47.545321
• Title: On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem
• Title（参考訳）: 中性子拡散固有値問題を解くためのデータ有効物理形ニューラルネットワークの不確実性解析について
• Authors: Yu Yang, Helin Gong, Qihong Yang, Yangtao Deng, Qiaolin He, Shiquan Zhang
• Abstract要約: いくつかの観点から中性子拡散固有値問題の計算におけるDEPINNの性能について検討する。 ノイズの影響を低減し,ノイズ先行データの利用を改善するために,革新的な区間損失関数を提案する。 本稿では, 原子炉物理の実用化に向けた改良型DEPINNの実現可能性を確認する。
• 参考スコア（独自算出の注目度）: 4.0275959184316825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical engineering experiments, the data obtained through detectors are inevitably noisy. For the already proposed data-enabled physics-informed neural network (DEPINN) \citep{DEPINN}, we investigate the performance of DEPINN in calculating the neutron diffusion eigenvalue problem from several perspectives when the prior data contain different scales of noise. Further, in order to reduce the effect of noise and improve the utilization of the noisy prior data, we propose innovative interval loss functions and give some rigorous mathematical proofs. The robustness of DEPINN is examined on two typical benchmark problems through a large number of numerical results, and the effectiveness of the proposed interval loss function is demonstrated by comparison. This paper confirms the feasibility of the improved DEPINN for practical engineering applications in nuclear reactor physics.
• Abstract（参考訳）: 実際の工学実験では、検出器によって得られたデータは必然的にうるさい。 既に提案されているデータ対応物理インフォームドニューラルネットワーク (DEPINN) \citep{DEPINN} について, 先行データがノイズのスケールが異なる場合の中性子拡散固有値問題の計算におけるDEPINNの性能について検討した。 さらに,ノイズの影響を低減し,ノイズ先行データの利用性を向上させるために,革新的区間損失関数を提案し,厳密な数学的証明を与える。 DEPINNのロバスト性は2つの典型的なベンチマーク問題に対して,多数の数値結果を用いて検討し,提案した区間損失関数の有効性を比較検討した。 本稿では, 原子炉物理の実用化に向けた改良型DEPINNの実現可能性を確認する。

関連論文リスト

• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• Efficient Bayesian inference using physics-informed invertible neural networks for inverse problems [6.97393424359704]
  物理インフォームド・インバータブルニューラルネットワーク(PI-INN)を利用したベイズ逆問題に対する革新的なアプローチを提案する。 PI-INNはベイズ逆問題に対して正確かつ効率的な生成モデルを提供し、抽出可能な後部密度推定をもたらす。 特定の物理インフォームドディープラーニングモデルとして、PI-INNの主要なトレーニング課題は独立性制約の強化である。
  論文  参考訳（メタデータ） (2023-04-25T03:17:54Z)
• Efficient Bayesian Physics Informed Neural Networks for Inverse Problems via Ensemble Kalman Inversion [0.0]
  本稿では,高次元推論タスクにEnsemble Kalman Inversion (EKI) を用いるB-PINNの新しい効率的な推論アルゴリズムを提案する。 提案手法は,ハミルトン・モンテカルロ (HMC) ベースのB-PINNに匹敵する情報的不確実性を推定し,計算コストを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-03-13T18:15:26Z)
• 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)
• Robust Regression with Highly Corrupted Data via Physics Informed Neural Networks [4.642273921499256]
  物理インフォームドニューラルネットワーク(PINN)は、2つの主要な問題のクラスを解決するために提案されている。 本研究では,ノイズおよび劣化測定データから支配方程式を復元するアルゴリズムの一般化性,精度,効率性を示す。
  論文  参考訳（メタデータ） (2022-10-19T15:21:05Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• Physics-informed deep-learning applications to experimental fluid mechanics [2.992602379681373]
  低分解能および雑音測定による流れ場データの高分解能再構成は実験流体力学において重要である。 ディープラーニングのアプローチは、このような超高解像度なタスクに適していることが示されている。 本研究では,物理インフォームドニューラルネットワーク(PINN)を時間空間における流れ場データの超解像に適用する。
  論文  参考訳（メタデータ） (2022-03-29T09:58:30Z)
• Physics-guided Loss Functions Improve Deep Learning Performance in Inverse Scattering [13.529767949868248]
  ディープニューラルネットワーク(DNN)技術は、電磁逆散乱問題にうまく応用されている。 トレーニングプロセスにおいて,身体現象が効果的に組み込まれないことを示す。 多重散乱に基づく近接場量を含む損失関数の新しい設計法を提案する。
  論文  参考訳（メタデータ） (2021-11-13T16:36:23Z)
• Incorporating NODE with Pre-trained Neural Differential Operator for Learning Dynamics [73.77459272878025]
  ニューラル微分演算子(NDO)の事前学習による動的学習における教師付き信号の強化を提案する。 NDOは記号関数のクラスで事前訓練され、これらの関数の軌跡サンプルとそれらの導関数とのマッピングを学習する。 我々は,NDOの出力が,ライブラリの複雑さを適切に調整することで,基礎となる真理微分を適切に近似できることを理論的に保証する。
  論文  参考訳（メタデータ） (2021-06-08T08:04:47Z)

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。