論文の概要: Incorporating sufficient physical information into artificial neural
networks: a guaranteed improvement via physics-based Rao-Blackwellization
- arxiv url: http://arxiv.org/abs/2311.06147v1
- Date: Fri, 10 Nov 2023 16:05:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 14:40:45.809909
- Title: Incorporating sufficient physical information into artificial neural
networks: a guaranteed improvement via physics-based Rao-Blackwellization
- Title（参考訳）: ニューラルネットワークに十分な物理情報を組み込む:物理に基づくラオブラックウェル化による保証された改善
- Authors: Gian-Luca Geuken, J\"orn Mosler and Patrick Kurzeja
- Abstract要約: ラオ・ブラックウェル化の概念は、物理情報による人工ニューラルネットワークの予測を改善するために用いられる。
提案手法は材料モデリングに適用され, 収率関数の同定例で説明される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The concept of Rao-Blackwellization is employed to improve predictions of
artificial neural networks by physical information. The error norm and the
proof of improvement are transferred from the original statistical concept to a
deterministic one, using sufficient information on physics-based conditions.
The proposed strategy is applied to material modeling and illustrated by
examples of the identification of a yield function, elasto-plastic steel
simulations, the identification of driving forces for quasi-brittle damage and
rubber experiments. Sufficient physical information is employed, e.g., in the
form of invariants, parameters of a minimization problem, dimensional analysis,
isotropy and differentiability. It is proven how intuitive accretion of
information can yield improvement if it is physically sufficient, but also how
insufficient or superfluous information can cause impairment. Opportunities for
the improvement of artificial neural networks are explored in terms of the
training data set, the networks' structure and output filters. Even crude
initial predictions are remarkably improved by reducing noise, overfitting and
data requirements.
- Abstract（参考訳）: rao-blackwellizationの概念は、物理情報によるニューラルネットワークの予測を改善するために用いられる。
誤差ノルムと改善の証明は、物理ベースの条件に関する十分な情報を用いて、元の統計概念から決定論的概念に移される。
提案手法は材料モデリングに適用され, 降伏関数の同定, 弾塑性鋼のシミュレーション, 準脆性損傷に対する駆動力の同定, ゴム実験の例で示される。
十分な物理情報は、例えば不変量の形で、最小化問題、次元解析、等方性、微分可能性のパラメータが用いられる。
情報への直感的な付加が、物理的に十分であれば改善をもたらすだけでなく、情報不足や過剰な情報がいかに障害を引き起こすかが証明されている。
ニューラルネットワークの改良の機会は、トレーニングデータセット、ネットワークの構造、および出力フィルタの観点から検討される。
粗い初期予測でさえノイズ、過剰フィッティング、データ要求を減らすことで著しく改善されている。
関連論文リスト
- Can physical information aid the generalization ability of Neural
Networks for hydraulic modeling? [0.0]
河川水理学へのニューラルネットワークの適用は、データ不足に苦しむ分野にもかかわらず、未熟である。
本稿では,トレーニングフェーズに物理情報を導入することで,そのような問題を緩和することを提案する。
このようなソフトな物理情報を組み込むことで予測能力を向上できることを示す。
論文 参考訳（メタデータ） (2024-03-13T14:51:16Z) - Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文 参考訳（メタデータ） (2024-03-04T07:09:54Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳（メタデータ） (2023-02-19T20:33:32Z) - Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。
提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。
ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文 参考訳（メタデータ） (2022-04-29T11:55:35Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳（メタデータ） (2021-01-18T08:37:13Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Identification of state functions by physically-guided neural networks
with physically-meaningful internal layers [0.0]
我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。
このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
論文 参考訳（メタデータ） (2020-11-17T11:26:37Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。