論文の概要: Predictive Limitations of Physics-Informed Neural Networks in Vortex
Shedding
- arxiv url: http://arxiv.org/abs/2306.00230v1
- Date: Wed, 31 May 2023 22:59:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 18:58:45.936846
- Title: Predictive Limitations of Physics-Informed Neural Networks in Vortex
Shedding
- Title（参考訳）: 渦シーディングにおける物理インフォームニューラルネットワークの予測限界
- Authors: Pi-Yueh Chuang, Lorena A. Barba
- Abstract要約: 2Dシリンダーのまわりの流れを見て、データのないPINNは渦の沈みを予測できないことに気付きました。
データ駆動型PINNは、トレーニングデータが利用可能である間のみ渦シーディングを表示するが、データフローが停止したときに定常状態のソリューションに戻す。
複素平面上のクープマン固有値の分布は、PINNが数値的に分散し、拡散することを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recent surge of interest in physics-informed neural network (PINN)
methods has led to a wave of studies that attest to their potential for solving
partial differential equations (PDEs) and predicting the dynamics of physical
systems. However, the predictive limitations of PINNs have not been thoroughly
investigated. We look at the flow around a 2D cylinder and find that data-free
PINNs are unable to predict vortex shedding. Data-driven PINN exhibits vortex
shedding only while the training data (from a traditional CFD solver) is
available, but reverts to the steady state solution when the data flow stops.
We conducted dynamic mode decomposition and analyze the Koopman modes in the
solutions obtained with PINNs versus a traditional fluid solver (PetIBM). The
distribution of the Koopman eigenvalues on the complex plane suggests that PINN
is numerically dispersive and diffusive. The PINN method reverts to the steady
solution possibly as a consequence of spectral bias. This case study reaises
concerns about the ability of PINNs to predict flows with instabilities,
specifically vortex shedding. Our computational study supports the need for
more theoretical work to analyze the numerical properties of PINN methods. The
results in this paper are transparent and reproducible, with all data and code
available in public repositories and persistent archives; links are provided in
the paper repository at \url{https://github.com/barbagroup/jcs_paper_pinn}, and
a Reproducibility Statement within the paper.
- Abstract（参考訳）: 物理学的非形式ニューラルネットワーク(pinn)法に対する近年の関心の高まりは、偏微分方程式(pdes)の解法と物理系のダイナミクスの予測の可能性を実証する研究の波につながった。
しかし,PINNの予測限界は十分に調査されていない。
2次元円柱まわりの流れを見て、データフリーのピンが渦流を予測できないことに気付く。
データ駆動型PINNは、トレーニングデータ(従来のCFDソルバからの)が利用可能である間のみ渦シーディングを示すが、データフローが停止すると定常状態のソリューションに戻る。
PINNと従来の流体解法 (PetIBM) を用いて, 動的モード分解を行い, クープマンモードの解析を行った。
複素平面上のクープマン固有値の分布は、PINNが数値的に分散し拡散することを示唆している。
PINN法は、おそらくスペクトルバイアスの結果、定常解に回帰する。
このケーススタディでは、不安定な流れ、特に渦流を予測できるピンの能力に関する懸念を再検討する。
本研究は,PINN法の数値特性を解析するための理論的研究の必要性を裏付けるものである。
この論文の結果は透過的で再現可能で、公開リポジトリや永続的なアーカイブで利用可能なすべてのデータとコードを格納している。リンクはペーパーリポジトリの \url{https://github.com/barbagroup/jcs_paper_pinn} で提供され、論文内の再現性ステートメントも提供されている。
関連論文リスト
- DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。
BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。
半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文 参考訳（メタデータ） (2024-06-04T07:24:51Z) - Learning solutions of parametric Navier-Stokes with physics-informed
neural networks [0.3989223013441816]
パラメトリックナビエ・ストークス方程式(NSE)の解関数の学習にPIN(Palformed-Informed Neural Networks)を利用する。
パラメータのパラメータを座標とともにPINの入力とみなし、パラメータのインスタンスに対するパラメトリックPDESの数値解に基づいてPINを訓練する。
提案手法は, 解関数を学習するPINNモデルを最適化し, 流量予測が質量・運動量の保存則と一致していることを確認する。
論文 参考訳（メタデータ） (2024-02-05T16:19:53Z) - Exact and soft boundary conditions in Physics-Informed Neural Networks
for the Variable Coefficient Poisson equation [0.0]
境界条件(BC)は、すべての物理情報ニューラルネットワーク(PINN)において重要な要素である
BCは、PINNが近似しようとする境界値問題(BVP)を制約する。
本研究は, PINN に適用した場合, 軟弱損失関数と精密距離関数に基づく BC の配置法の違いについて検討する。
論文 参考訳（メタデータ） (2023-10-04T03:16:03Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳（メタデータ） (2022-05-27T03:24:31Z) - Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。
本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2022-01-30T16:43:40Z) - Physics-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳（メタデータ） (2021-11-06T03:41:34Z) - Robust Learning of Physics Informed Neural Networks [2.86989372262348]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。
本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
論文 参考訳（メタデータ） (2021-10-26T00:10:57Z) - Physics-Informed Neural Network Method for Solving One-Dimensional
Advection Equation Using PyTorch [0.0]
PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。
標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。
テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
論文 参考訳（メタデータ） (2021-03-15T05:39:17Z) - On the eigenvector bias of Fourier feature networks: From regression to
solving multi-scale PDEs with physics-informed neural networks [0.0]
ニューラルネットワーク(PINN)は、目標関数を近似する場合には、高周波またはマルチスケールの特徴を示す。
マルチスケールなランダムな観測機能を備えた新しいアーキテクチャを構築し、そのような座標埋め込み層が堅牢で正確なPINNモデルにどのように結びつくかを正当化します。
論文 参考訳（メタデータ） (2020-12-18T04:19:30Z) - Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。
ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。
次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。
実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
論文 参考訳（メタデータ） (2020-10-21T10:08:21Z)
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。