論文の概要: Discussing the Spectra of Physics-Enhanced Machine Learning via a Survey on Structural Mechanics Applications

• arxiv url: http://arxiv.org/abs/2310.20425v2
• Date: Wed, 1 Nov 2023 08:21:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 10:36:30.114297
• Title: Discussing the Spectra of Physics-Enhanced Machine Learning via a Survey on Structural Mechanics Applications
• Title（参考訳）: 物理強化機械学習のスペクトルを語る : 構造力学応用のサーベイを通して
• Authors: Marcus Haywood-Alexander, Wei Liu, Kiran Bacsa, Zhilu Lai, Eleni Chatzi
• Abstract要約: 物理と機械学習の交わりは、我々がここで物理強化機械学習(PEML)と呼ぶパラダイムを生み出した。 PEMLは、データまたは物理のみの手法の能力を向上し、個々の欠点を減らすことを目的としている。
• 参考スコア（独自算出の注目度）: 3.635256268487711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The intersection of physics and machine learning has given rise to a paradigm that we refer to here as physics-enhanced machine learning (PEML), aiming to improve the capabilities and reduce the individual shortcomings of data- or physics-only methods. In this paper, the spectrum of physics-enhanced machine learning methods, expressed across the defining axes of physics and data, is discussed by engaging in a comprehensive exploration of its characteristics, usage, and motivations. In doing so, this paper offers a survey of recent applications and developments of PEML techniques, revealing the potency of PEML in addressing complex challenges. We further demonstrate application of select such schemes on the simple working example of a single-degree-of-freedom Duffing oscillator, which allows to highlight the individual characteristics and motivations of different `genres' of PEML approaches. To promote collaboration and transparency, and to provide practical examples for the reader, the code of these working examples is provided alongside this paper. As a foundational contribution, this paper underscores the significance of PEML in pushing the boundaries of scientific and engineering research, underpinned by the synergy of physical insights and machine learning capabilities.
• Abstract（参考訳）: 物理と機械学習の交わりは、我々がここで物理強化機械学習(PEML)と呼ぶパラダイムを生み出し、その能力を改善し、データや物理のみの手法の個々の欠点を減らすことを目的としている。 本稿では,物理とデータの定義軸にまたがって表現される物理エンハンスド機械学習のスペクトルについて,その特性,使用法,動機を包括的に探究し,考察する。 そこで本研究では,PEML技術の最近の応用と開発について調査を行い,複雑な課題に対処するためのPEMLの有用性を明らかにする。 さらに, 単自由度ダッフィング発振器の簡単な動作例にそのようなスキームを適用すれば, PEMLアプローチの異なる「ジャンル」の個々の特性と動機を明らかにすることができる。 共同作業と透明性の促進,および読者に実践例を提供するため,本論文とともにこれらの実例のコードを提供する。 基礎的な貢献として,科学・工学研究の境界を推し進めることにおけるPEMLの重要性を,物理的な洞察と機械学習能力の相乗効果に支えられている。

関連論文リスト

• Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial [0.0]
  このチュートリアルは、エントロピー、自由エネルギー、そして機械学習に使用される変分推論のような高度なテクニックを掘り下げる。 物理的システムの振る舞いを深く理解することで、より効果的で信頼性の高い機械学習モデルが得られることを示す。
  論文  参考訳（メタデータ） (2024-11-24T18:20:05Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• Physics-Enhanced Machine Learning: a position paper for dynamical systems investigations [0.0]
  物理強化機械学習(英: Physics-Enhanced Machine Learning、PEML)は、科学機械学習とも呼ばれる。 PEMLアプローチの3つの幅広いグループについて論じる: 物理誘導、物理符号化、物理インフォームド。 複雑な力学系を含む工学アプリケーションにおいて, PEML 戦略の利点と課題について述べる。
  論文  参考訳（メタデータ） (2024-05-08T14:15:51Z)
• A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems [0.0]
  物理インフォームド機械学習(PIML)技術は、物理原理をデータ駆動モデルに統合する。 PIMLは、モデルの一般化、物理法則の遵守、解釈可能性を改善する。 本稿では,主に石油・ガス産業における地下エネルギーシステムに関するPIML応用について概説する。
  論文  参考訳（メタデータ） (2023-08-06T18:20:24Z)
• Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems [0.0]
  物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。 本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
  論文  参考訳（メタデータ） (2023-06-24T05:24:48Z)
• Improving aircraft performance using machine learning: a review [57.82442188072833]
  本稿では,航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について概説する。 我々は、さまざまな航空宇宙分野にまたがるML手法の利点と課題を整理し、技術の現状を概観する。
  論文  参考訳（メタデータ） (2022-10-20T07:16:53Z)
• When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning [14.296078151381591]
  物理インフォームド機械学習(PIML)は、トレーニングデータの不足を軽減し、モデルの一般化性を高め、結果の物理的妥当性を確保する効果的な方法である。 1)PIMLの動機,(2)PIMLの物理知識,(3)PIMLの物理知識統合の方法の3つの側面から,PIMLにおける最近の多くの研究を概説する。
  論文  参考訳（メタデータ） (2022-03-31T04:58:27Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• 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)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)

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。