論文の概要: Index-aware learning of circuits
- arxiv url: http://arxiv.org/abs/2309.00958v3
- Date: Sat, 9 Mar 2024 10:54:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 16:29:41.077182
- Title: Index-aware learning of circuits
- Title(参考訳): 回路のインデックス認識学習
- Authors: Idoia Cortes Garcia, Peter F\"orster, Lennart Jansen, Wil Schilders,
Sebastian Sch\"ops
- Abstract要約: 我々は最近導入された分解指数を用いて、与えられたDAEの系を通常の微分方程式に分解することができる。
その考え方は、微分変数のみを学習し、疎結合からの関係を利用して代数変数を再構成することである。
- 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: Electrical circuits are present in a variety of technologies, making their
design an important part of computer aided engineering. The growing number of
parameters that affect the final design leads to a need for new approaches to
quantify their impact. Machine learning may play a key role in this regard,
however current approaches often make suboptimal use of existing knowledge
about the system at hand. In terms of circuits, their description via modified
nodal analysis is well-understood. This particular formulation leads to systems
of differential-algebraic equations (DAEs) which bring with them a number of
peculiarities, e.g. hidden constraints that the solution needs to fulfill. We
use the recently introduced dissection index that can decouple a given system
of DAEs into ordinary differential equations, only depending on differential
variables, and purely algebraic equations, that describe the relations between
differential and algebraic variables. The idea is to then only learn the
differential variables and reconstruct the algebraic ones using the relations
from the decoupling. This approach guarantees that the algebraic constraints
are fulfilled up to the accuracy of the nonlinear system solver, and it may
also reduce the learning effort as only the differential variables need to be
learned.
- Abstract(参考訳): 電気回路は様々な技術の中に存在し、その設計はコンピュータ支援工学の重要な部分となっている。
最終設計に影響を与えるパラメータの数が増えると、その影響を定量化するための新しいアプローチが必要となる。
機械学習は、この点において重要な役割を果たすかもしれないが、現在のアプローチでは、目の前のシステムに関する既存の知識を最適に活用することがしばしばある。
回路の観点では、修正ノーダル解析による記述はよく理解されている。
この特別な定式化は微分代数方程式(英語版)(daes)の体系につながり、解が満たさなければならない隠れた制約など多くの特異性をもたらす。
我々は最近導入された分解指数を用いて、DAEの与えられた系を、微分変数と代数変数の関係を記述する純粋代数方程式にのみ依存する通常の微分方程式に分解することができる。
そのアイデアは微分変数を学習し、デカップリングの関係を使って代数変数を再構築するだけである。
このアプローチは、代数的制約が非線形システム解決器の精度まで満たされることを保証し、また、微分変数のみを学習する必要があるため、学習の労力を減らすことができる。
関連論文リスト
- Mixed formulation of physics-informed neural networks for
thermo-mechanically coupled systems and heterogeneous domains [0.0]
物理インフォームドニューラルネットワーク(PINN)は境界値問題を解決するための新しいツールである。
近年の研究では、多くの工学的問題に対して損失関数を設計する際には、一階微分を使い、強い形式と弱い形式の方程式を組み合わせることにより、はるかに精度が向上することが示されている。
本研究では,多物理問題,特に定常熱力学的に結合した方程式系を解くために混合定式化を適用することを提案する。
論文 参考訳(メタデータ) (2023-02-09T21:56:59Z) - Neural Operator: Is data all you need to model the world? An insight
into the impact of Physics Informed Machine Learning [13.050410285352605]
我々は、データ駆動アプローチが、工学や物理学の問題を解決する従来の手法を補完する方法についての洞察を提供する。
我々は,PDE演算子学習の解演算子を学習するための,新しい,高速な機械学習に基づくアプローチを強調した。
論文 参考訳(メタデータ) (2023-01-30T23:29:33Z) - Physics-informed Neural Network: The Effect of Reparameterization in
Solving Differential Equations [0.0]
複雑な物理学では、解析的に解くのが難しい微分方程式がほとんどである。
近年, 物理インフォームドニューラルネットワークは, 様々な微分方程式の解法系において, 非常によく機能することが示されている。
論文 参考訳(メタデータ) (2023-01-28T07:53:26Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳(メタデータ) (2022-11-05T07:07:58Z) - Well-definedness of Physical Law Learning: The Uniqueness Problem [63.9246169579248]
物理法学学習は、機械学習技術を用いて支配方程式の導出を自動化するための曖昧な試みである。
本論文は、物理法則を学習するための包括的な理論的枠組みを構築するための第一歩として機能する。
論文 参考訳(メタデータ) (2022-10-15T17:32:49Z) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳(メタデータ) (2022-06-21T17:59:20Z) - Neural Laplace: Learning diverse classes of differential equations in
the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。
時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。
The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文 参考訳(メタデータ) (2022-06-10T02:14:59Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - HyperPINN: Learning parameterized differential equations with
physics-informed hypernetworks [32.095262903584725]
本稿では,ハイパーネットワークを用いてパラメータ化から微分方程式を解くニューラルネットワークを学習するHyperPINNを提案する。
我々は、PDEとODEの両方の実験で、このタイプのモデルが、小さなサイズを維持する微分方程式に対するニューラルネットワークの解をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-10-28T17:50:09Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳(メタデータ) (2020-09-08T13:26:51Z) - Uncovering differential equations from data with hidden variables [1.9087886743666929]
本研究では,変数のいくつかが観測されない場合に微分方程式の系を学習するSINDy法の拡張を提案する。
我々の拡張は、対象変数の高次時間微分を、対象変数の低次時間微分を含む関数の辞書に回帰することに基づいている。
論文 参考訳(メタデータ) (2020-02-06T13:33:18Z)
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。