論文の概要: Current density impedance imaging with PINNs
- arxiv url: http://arxiv.org/abs/2306.13881v1
- Date: Sat, 24 Jun 2023 07:07:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 18:27:50.892193
- Title: Current density impedance imaging with PINNs
- Title(参考訳): PINNを用いた電流密度インピーダンスイメージング
- Authors: Chenguang Duan and Yuling Jiao and Xiliang Lu and Jerry Zhijian Yang
- Abstract要約: CDII-PINNは、Tikhonov正則化の枠組みにおいて、PINNを用いてCDIIを効率よく解く方法である。
数値シミュレーションにより、CDII-PINNは効率が高く、正確で、ノイズレベルが1%$から20%$まで高いことが示されている。
- 参考スコア(独自算出の注目度): 4.817429789586126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce CDII-PINNs, a computationally efficient method
for solving CDII using PINNs in the framework of Tikhonov regularization. This
method constructs a physics-informed loss function by merging the regularized
least-squares output functional with an underlying differential equation, which
describes the relationship between the conductivity and voltage. A pair of
neural networks representing the conductivity and voltage, respectively, are
coupled by this loss function. Then, minimizing the loss function provides a
reconstruction. A rigorous theoretical guarantee is provided. We give an error
analysis for CDII-PINNs and establish a convergence rate, based on prior
selected neural network parameters in terms of the number of samples. The
numerical simulations demonstrate that CDII-PINNs are efficient, accurate and
robust to noise levels ranging from $1\%$ to $20\%$.
- Abstract(参考訳): 本稿では,Tikhonov 正規化の枠組みにおける PINN を用いたCDII の解法である CDII-PINN を紹介する。
本手法は, 正規化最小二乗出力関数を導電率と電圧の関係を記述する微分方程式にマージすることにより, 物理インフォームド損失関数を構成する。
この損失関数により、それぞれ導電率と電圧を表す一対のニューラルネットワークが結合される。
そして、損失関数の最小化は再構成をもたらす。
厳密な理論的保証が提供される。
我々は,CDII-PINNの誤り解析を行い,予め選択されたニューラルネットワークパラメータに基づいて,サンプル数の観点から収束率を確立する。
数値シミュレーションにより,cdiiピンは効率良く,精度が高く,ロバストであり,ノイズレベルは1-%$から20-%$であることが分かった。
関連論文リスト
- Energy Dissipation Preserving Physics Informed Neural Network for Allen-Cahn Equations [0.0]
本稿では, 物理インフォームドニューラルネットワーク(PINN)に基づく, 定数および退化運動量, 対数エネルギー関数, 決定的およびランダムな初期関数, 1, 2, 3次元の対流項を持つアレン・カーン方程式の数値解について検討する。
PINNの学習能力を向上させるため,ネットワークの損失関数にペナルティ項としてアレン・カーン方程式のエネルギー散逸特性を組み込む。
論文 参考訳(メタデータ) (2024-11-13T16:47:34Z) - Error Analysis and Numerical Algorithm for PDE Approximation with Hidden-Layer Concatenated Physics Informed Neural Networks [0.9693477883827689]
本稿では,隠れた物理情報ニューラルネットワーク(HLConcPINN)を提案する。
隠れたフィードフォワードニューラルネットワーク、修正されたブロックタイムマーチング戦略、偏微分方程式(PDE)を近似するための物理情報アプローチを組み合わせる。
本手法の近似誤差は, 長期間の地平線を有する動的シミュレーションのトレーニング損失によって効果的に制御できることを示す。
論文 参考訳(メタデータ) (2024-06-10T15:12:53Z) - 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) - Conductivity Imaging from Internal Measurements with Mixed Least-Squares
Deep Neural Networks [4.228167013618626]
我々は,楕円型問題における導電率分布を再構築するために,ディープニューラルネットワークを用いた新しいアプローチを開発した。
連続的および経験的損失の両方に対して、導電率の深いニューラルネットワーク近似を徹底的に分析する。
論文 参考訳(メタデータ) (2023-03-29T04:43:03Z) - Error Analysis of Physics-Informed Neural Networks for Approximating
Dynamic PDEs of Second Order in Time [1.123111111659464]
物理インフォームドニューラルネットワーク(PINN)による2次動的偏微分方程式(PDE)の近似について検討する。
分析の結果,2つの隠れ層と$tanh$アクティベーション関数を持つフィードフォワードニューラルネットワークでは,トレーニング損失とトレーニングデータポイント数によって,解場のPINN近似誤差を効果的にバウンドすることができることがわかった。
本稿では, 波動方程式, Sine-Gordon 方程式, 線形エラストダイナミック方程式に対する新しい PINN アルゴリズムを用いた数値実験を行った。
論文 参考訳(メタデータ) (2023-03-22T00:51:11Z) - Learning Discretized Neural Networks under Ricci Flow [51.36292559262042]
低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。
DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
論文 参考訳(メタデータ) (2023-02-07T10:51:53Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳(メタデータ) (2022-02-18T18:07:54Z) - 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) - 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。