論文の概要: Improving physics-informed DeepONets with hard constraints
- arxiv url: http://arxiv.org/abs/2309.07899v1
- Date: Thu, 14 Sep 2023 17:48:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 11:53:16.243221
- Title: Improving physics-informed DeepONets with hard constraints
- Title(参考訳): ハード制約による物理インフォームドDeepONetsの改良
- Authors: R\"udiger Brecht, Dmytro R. Popovych, Alex Bihlo and Roman O. Popovych
- Abstract要約: 本稿では,現在の物理インフォームドディープラーニング戦略を改善することを提案する。
提案手法は,DeepONetを複数回適用して解を段階的に適用した場合,その関数が連続的であることを保証している。
- 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: Current physics-informed (standard or operator) neural networks still rely on
accurately learning the initial conditions of the system they are solving. In
contrast, standard numerical methods evolve such initial conditions without
needing to learn these. In this study, we propose to improve current
physics-informed deep learning strategies such that initial conditions do not
need to be learned and are represented exactly in the predicted solution.
Moreover, this method guarantees that when a DeepONet is applied multiple times
to time step a solution, the resulting function is continuous.
- Abstract(参考訳): 現在の物理インフォームドニューラルネットワーク(標準または演算子)は、解決しているシステムの初期状態の正確な学習に依存している。
対照的に、標準的な数値的手法はそのような初期条件を学習することなく発展させる。
本研究では, 初期条件を学習する必要がなく, 予測解に正確に表されるように, 現在の物理学的な深層学習戦略を改善することを提案する。
さらに、この方法では、DeepONetを複数回適用してソリューションをタイムステップする場合、結果の関数が連続的であることを保証します。
関連論文リスト
- Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳(メタデータ) (2023-06-04T18:14:18Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - Solving differential equations using physics informed deep learning: a
hand-on tutorial with benchmark tests [0.0]
ディープラーニングとニューラルネットワークによる微分方程式の解法について再検討する。
トレーニングプロセスに最小限のデータを使用する可能性に焦点を当てます。
単純な方程式モデルに関するチュートリアルは、通常の微分方程式の方法の実践方法を説明している。
論文 参考訳(メタデータ) (2023-02-23T16:08:39Z) - Gradients are Not All You Need [28.29420710601308]
さまざまな異なる状況に現れる共通のカオスベースの障害モードについて議論する。
我々は、この失敗を研究中のシステムのヤコビアンスペクトルに遡り、この失敗が微分に基づく最適化アルゴリズムを損なうことを実践者がいつ期待するかの基準を提供する。
論文 参考訳(メタデータ) (2021-11-10T16:51:04Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳(メタデータ) (2021-09-02T16:06:45Z) - Encoding physics to learn reaction-diffusion processes [18.187800601192787]
物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。
物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
論文 参考訳(メタデータ) (2021-06-09T03:02:20Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - Reactive Soft Prototype Computing for Concept Drift Streams [1.3750624267664155]
情報システムにおけるエージェント間のリアルタイム通信は,10世紀初頭から急速に増加している。
リアルタイムにこの情報のストリームを学習し、予測するためには、分析アルゴリズムが必要である。
最近の研究はこの分野において重要な研究であるが、主にモデル適応時の安定した性能が欠如している。
論文 参考訳(メタデータ) (2020-07-10T15:07:46Z) - STEER: Simple Temporal Regularization For Neural ODEs [80.80350769936383]
トレーニング中のODEの終了時刻をランダムにサンプリングする新しい正規化手法を提案する。
提案された正規化は実装が簡単で、オーバーヘッドを無視でき、様々なタスクで有効である。
本稿では,フローの正規化,時系列モデル,画像認識などの実験を通じて,提案した正規化がトレーニング時間を大幅に短縮し,ベースラインモデルよりも性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-06-18T17:44:50Z) - AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。
実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文 参考訳(メタデータ) (2020-06-11T16:36:31Z) - Physics Informed Deep Learning for Transport in Porous Media. Buckley
Leverett Problem [0.0]
貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。
この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。
提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
論文 参考訳(メタデータ) (2020-01-15T08:20:11Z)
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。