論文の概要: Learned multiphysics inversion with differentiable programming and machine learning

• arxiv url: http://arxiv.org/abs/2304.05592v1
• Date: Wed, 12 Apr 2023 03:38:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 16:19:07.318924
• Title: Learned multiphysics inversion with differentiable programming and machine learning
• Title（参考訳）: 微分可能プログラミングと機械学習を用いた学習型マルチフィジカルインバージョン
• Authors: Mathias Louboutin and Ziyi Yin and Rafael Orozco and Thomas J. Grady II and Ali Siahkoohi and Gabrio Rizzuti and Philipp A. Witte and Olav M{\o}yner and Gerard J. Gorman and Felix J. Herrmann
• Abstract要約: 本稿では, 画像・モデリング・監視のための地震研究所 (SLIM) を, 計算物理のためのオープンソースソフトウェアフレームワークとして紹介する。 複数の抽象化レイヤを統合することで、ソフトウェアは可読性と拡張性の両方を持つように設計されています。
• 参考スコア（独自算出の注目度）: 1.8893605328938345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the Seismic Laboratory for Imaging and Modeling/Monitoring (SLIM) open-source software framework for computational geophysics and, more generally, inverse problems involving the wave-equation (e.g., seismic and medical ultrasound), regularization with learned priors, and learned neural surrogates for multiphase flow simulations. By integrating multiple layers of abstraction, our software is designed to be both readable and scalable. This allows researchers to easily formulate their problems in an abstract fashion while exploiting the latest developments in high-performance computing. We illustrate and demonstrate our design principles and their benefits by means of building a scalable prototype for permeability inversion from time-lapse crosswell seismic data, which aside from coupling of wave physics and multiphase flow, involves machine learning.
• Abstract（参考訳）: 本稿では,画像・モデリング・モニタリングのためのslim(quasmic laboratory for imaging and modeling/monitoring)オープンソースソフトウェアフレームワークと,さらに一般的には,波動方程式(地震波・医用超音波など),学習された事前情報による規則化,多相流シミュレーションのための学習ニューラルネットワークサロゲートに関する逆問題について述べる。 複数の抽象化レイヤを統合することで、ソフトウェアは可読性と拡張性を兼ね備えています。 これにより研究者は、高性能コンピューティングの最新の発展を活用しながら、問題を抽象的に容易に定式化することができる。 波動物理学と多相流の結合を別にして,タイムラプスクロスウェル地震データから透過性反転するスケーラブルなプロトタイプを構築することで,当社の設計原理とそのメリットを実証し,実証する。

関連論文リスト

• CViT: Continuous Vision Transformer for Operator Learning [24.1795082775376]
  連続ビジョントランスフォーマー(Continuous Vision Transformer、CViT)は、コンピュータビジョンの進歩を活用して複雑な物理システムを学ぶ際の課題に対処する、新しい神経オペレーターアーキテクチャである。 CViTは、ビジョントランスフォーマーエンコーダ、新しいグリッドベースの座標埋め込み、マルチスケール依存関係を効果的にキャプチャするクエリワイドのクロスアテンション機構を組み合わせたものである。 本研究では, 流体力学, 気候モデル, 反応拡散過程を含む多種多様な偏微分方程式(PDE)システムにおけるCViTの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-22T21:13:23Z)
• Bond Graphs for multi-physics informed Neural Networks for multi-variate time series [6.775534755081169]
  既存の手法は複雑な多分野・多領域現象のタスクには適用されない。 タスク固有モデルに入力可能な多物理インフォームド表現を生成するニューラルボンドグラフ(NBgE)を提案する。
  論文  参考訳（メタデータ） (2024-05-22T12:30:25Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Interpretable learning of effective dynamics for multiscale systems [5.754251195342313]
  iLED(Interpretable Learning Effective Dynamics)の新たな枠組みを提案する。 iLEDは、最先端のリカレントニューラルネットワークベースのアプローチに匹敵する精度を提供する。 その結果、iLEDフレームワークは正確な予測を生成でき、解釈可能なダイナミクスを得ることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-11T20:29:38Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Physics Guided Machine Learning Methods for Hydrology [21.410993515618895]
  SWAT (Soil and Water Assessment Tool) と組み合わせたLSTMに基づくディープラーニングアーキテクチャを提案する。 アプローチの有効性はミネソタ州南東部のルート川流域の南支流にあるいくつかの小さな流域で分析されている。
  論文  参考訳（メタデータ） (2020-12-02T19:17:19Z)
• Frequency-compensated PINNs for Fluid-dynamic Design Problems [3.0168882791480978]
  シミュレーション出力と基礎となる幾何学と境界条件の関係を学習するための物理インフォームドニューラルネットワーク(PINN)アーキテクチャを提案する。 物理に基づく正規化項の使用に加えて、提案手法は基礎となる物理を利用して、周波数と位相パラメータといったフーリエ特徴の集合を学ぶ。 提案手法は,範囲時間間隔内および設計条件内におけるシミュレーション結果を予測し,本手法を実証する。
  論文  参考訳（メタデータ） (2020-11-03T03:56:41Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。