論文の概要: Physics Symbolic Learner for Discovering Ground-Motion Models Via
NGA-West2 Database
- arxiv url: http://arxiv.org/abs/2303.14179v1
- Date: Thu, 23 Mar 2023 04:14:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 13:25:25.460701
- Title: Physics Symbolic Learner for Discovering Ground-Motion Models Via
NGA-West2 Database
- Title（参考訳）: NGA-West2データベースを用いた地上運動モデルの物理記号学習
- Authors: Su Chen, Xianwei Liu, Lei Fu, Suyang Wang, Bin Zhang, Xiaojun Li
- Abstract要約: 地動モデル(GMM)は多くの地震工学研究の基礎となっている。
本研究では,数式演算子を記号として自動的に発見するために,新しい物理インフォームド記号学習法(PISL)を提案する。
- 参考スコア（独自算出の注目度）: 4.059252581613122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ground-motion model (GMM) is the basis of many earthquake engineering
studies. In this study, a novel physics-informed symbolic learner (PISL) method
based on the Nest Generation Attenuation-West2 database is proposed to
automatically discover mathematical equation operators as symbols. The
sequential threshold ridge regression algorithm is utilized to distill a
concise and interpretable explicit characterization of complex systems of
ground motions. In addition to the basic variables retrieved from previous
GMMs, the current PISL incorporates two a priori physical conditions, namely,
distance and amplitude saturation. GMMs developed using the PISL, an empirical
regression method (ERM), and an artificial neural network (ANN) are compared in
terms of residuals and extrapolation based on obtained data of peak ground
acceleration and velocity. The results show that the inter- and intra-event
standard deviations of the three methods are similar. The functional form of
the PISL is more concise than that of the ERM and ANN. The extrapolation
capability of the PISL is more accurate than that of the ANN. The PISL-GMM used
in this study provide a new paradigm of regression that considers both physical
and data-driven machine learning and can be used to identify the implied
physical relationships and prediction equations of ground motion variables in
different regions.
- Abstract（参考訳）: 地動モデル(GMM)は多くの地震工学研究の基礎となっている。
本研究では,nest生成減衰-west2データベースに基づく新しい物理情報型記号学習器(pisl)法を提案し,数式演算子を記号として自動的に発見する。
逐次しきい値リッジ回帰アルゴリズムを用いて、地上運動の複雑なシステムの簡潔かつ解釈可能な明示的特徴を抽出する。
従来のGMMから取得した基本変数に加えて、現在のPISLは2つの先行的な物理的条件、すなわち距離と振幅飽和を含む。
PISL, 経験的回帰法 (ERM), 人工ニューラルネットワーク (ANN) を用いて開発したGMMを, ピーク地盤加速度と速度の得られたデータに基づいて, 残差と外挿の点で比較した。
その結果,3つの手法の標準偏差は類似していることが判明した。
PISLの機能形式はERMやANNよりも簡潔である。
PISLの補間能力はANNよりも正確である。
本研究で使用されるPISL-GMMは、物理およびデータ駆動機械学習の両方を考慮した回帰の新たなパラダイムを提供し、異なる領域における地動変数の物理的関係と予測方程式の同定に使用できる。
関連論文リスト
- MaD-Scientist: AI-based Scientist solving Convection-Diffusion-Reaction Equations Using Massive PINN-Based Prior Data [22.262191225577244]
科学的基礎モデル(SFM)にも同様のアプローチが適用できるかどうかを考察する。
数学辞書の任意の線形結合によって構築された偏微分方程式(PDE)の解の形で、低コストな物理情報ニューラルネットワーク(PINN)に基づく近似された事前データを収集する。
本研究では,1次元対流拡散反応方程式に関する実験的な証拠を提供する。
論文 参考訳（メタデータ） (2024-10-09T00:52:00Z) - Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。
本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。
C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
論文 参考訳（メタデータ） (2024-06-21T19:55:34Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Brain Model State Space Reconstruction Using an LSTM Neural Network [2.603611220111237]
本研究では、深層学習技術を用いて脳波記録からニューラルマスモデル(NMM)の状態とパラメータを追跡する方法を提案する。
適切にカスタマイズされた損失関数により、LSTMフィルタはNMMの振る舞いを学習することができる。
実世界の応用例として、LSTMフィルタはてんかん発作を含む実際の脳波データにも適用された。
論文 参考訳（メタデータ） (2023-01-20T02:02:54Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳（メタデータ） (2022-10-19T12:20:07Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳（メタデータ） (2020-10-01T17:51:49Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳（メタデータ） (2020-08-20T17:25:16Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。