Fugu-MT 論文翻訳(概要): Physics-Informed Induction Machine Modelling

論文の概要: Physics-Informed Induction Machine Modelling

arxiv url: http://arxiv.org/abs/2309.16943v1
Date: Fri, 29 Sep 2023 02:55:55 GMT
ステータス: 処理完了
システム内更新日: 2023-10-02 15:47:05.266486
Title: Physics-Informed Induction Machine Modelling
Title（参考訳）: 物理インフォームド誘導機モデリング
Authors: Qing Shen, Yifan Zhou, Peng Zhang
Abstract要約: この迅速な通信は、ニューラルネットワークモデル(NeuIM)を考案し、物理インフォームド機械学習を用いてAIベースの電磁過渡シミュレーションを可能にする。コントリビューションは,(1)相領域における誘導機を表現するためのNeuIMの形成,(2)データがない場合でも高速かつ遅いIMダイナミクスを捉えることのできる物理インフォームドニューラルネットワーク,(3)データの可用性に適応したデータ物理統合ハイブリッドNeuIMアプローチである。
参考スコア（独自算出の注目度）: 11.552888245169008
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This rapid communication devises a Neural Induction Machine (NeuIM) model, which pilots the use of physics-informed machine learning to enable AI-based electromagnetic transient simulations. The contributions are threefold: (1) a formation of NeuIM to represent the induction machine in phase domain; (2) a physics-informed neural network capable of capturing fast and slow IM dynamics even in the absence of data; and (3) a data-physics-integrated hybrid NeuIM approach which is adaptive to various levels of data availability. Extensive case studies validate the efficacy of NeuIM and in particular, its advantage over purely data-driven approaches.
Abstract（参考訳）: この迅速な通信は、ニューラルネットワークモデル(NeuIM)を考案し、物理インフォームド機械学習を用いてAIベースの電磁過渡シミュレーションを可能にする。 1) 誘導機を位相領域で表現するneuimの形成, (2) データの欠如時にも高速で遅いimダイナミクスをキャプチャ可能な物理に変形したニューラルネットワーク, (3) 様々なレベルのデータ可用性に適応したデータ物理学的統合型ハイブリッドneuimアプローチの3つである。広範なケーススタディはneuimの有効性、特に純粋データ駆動アプローチに対する利点を検証する。

関連論文リスト

3-D Magnetotelluric Deep Learning Inversion Guided by Pseudo-Physical Information [11.303727578628575]
近年,ジョイントデータ駆動と物理駆動を併用したDLインバージョン法が注目されている。本稿では、ニューラルネットワーク(NN)の前方モデリングを通して擬似物理情報を導入し、損失のこの部分を計算する。本研究では,3次元MTインバージョンにおけるフィールドデータ環境をシミュレートし,マスキングとノイズ付加を含む新しい入力モードを提案する。
論文参考訳（メタデータ） (2024-10-12T06:39:31Z)
Differentiable Neural-Integrated Meshfree Method for Forward and Inverse Modeling of Finite Strain Hyperelasticity [1.290382979353427]
本研究では,新しい物理インフォームド機械学習手法,特にニューラル積分メッシュフリー(NIM)法を拡張し,有限ひずみ問題をモデル化することを目的とする。固有の微分可能プログラミング機能のおかげで、NIMは変分形式のニュートン・ラフソン線形化の導出を回避できる。 NIMはひずみデータから超弾性材料の不均一力学特性を同定し, 非線形材料の逆モデリングにおけるその有効性を検証する。
論文参考訳（メタデータ） (2024-07-15T19:15:18Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-01-19T21:50:32Z)
MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。 MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文参考訳（メタデータ） (2023-04-27T09:11:40Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文参考訳（メタデータ） (2022-11-03T14:49:02Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
論文参考訳（メタデータ） (2021-08-11T18:05:55Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
SE(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials [0.17590081165362778]
NequIPは分子動力学シミュレーションのためのab-initio計算から原子間電位を学習するためのSE(3)等価ニューラルネットワークアプローチである。この方法は、顕著なデータ効率を示しながら、様々な分子や材料の挑戦的な集合に対して最先端の精度を達成する。
論文参考訳（メタデータ） (2021-01-08T18:49:10Z)

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。