論文の概要: Attention-enhanced neural differential equations for physics-informed
deep learning of ion transport
- arxiv url: http://arxiv.org/abs/2312.02871v1
- Date: Tue, 5 Dec 2023 16:39:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 15:10:49.938439
- Title: Attention-enhanced neural differential equations for physics-informed
deep learning of ion transport
- Title(参考訳): イオン輸送の物理インフォームド深層学習のための注意型神経微分方程式
- Authors: Danyal Rehman and John H. Lienhard
- Abstract要約: 我々はナノ多孔膜を横断するイオン輸送を特徴付ける機械学習に基づくアプローチを開発した。
提案する枠組みは、電気中立性に基づく帰納バイアスを含む注意力強化型ニューラルディファレンス方程式を中心にしている。
さらに, 物理的に有意なイオン対存在関係の解明における注意機構の役割について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Species transport models typically combine partial differential equations
(PDEs) with relations from hindered transport theory to quantify
electromigrative, convective, and diffusive transport through complex
nanoporous systems; however, these formulations are frequently substantial
simplifications of the governing dynamics, leading to the poor generalization
performance of PDE-based models. Given the growing interest in deep learning
methods for the physical sciences, we develop a machine learning-based approach
to characterize ion transport across nanoporous membranes. Our proposed
framework centers around attention-enhanced neural differential equations that
incorporate electroneutrality-based inductive biases to improve generalization
performance relative to conventional PDE-based methods. In addition, we study
the role of the attention mechanism in illuminating physically-meaningful
ion-pairing relationships across diverse mixture compositions. Further, we
investigate the importance of pre-training on simulated data from PDE-based
models, as well as the performance benefits from hard vs. soft inductive
biases. Our results indicate that physics-informed deep learning solutions can
outperform their classical PDE-based counterparts and provide promising avenues
for modelling complex transport phenomena across diverse applications.
- Abstract(参考訳): 種々輸送モデルは典型的には、偏微分方程式(PDE)と障害のある輸送理論の関係を結合して、複雑なナノ多孔体系を通した電気移動、対流、拡散輸送を定量化するが、これらの定式化はしばしば支配力学の実質的な単純化であり、PDEベースのモデルの一般化性能は劣る。
物理科学における深層学習法への関心が高まる中、ナノポーラス膜を横断するイオン輸送を特徴付ける機械学習ベースの手法を開発した。
提案フレームワークは、従来のPDE法と比較して一般化性能を向上させるために、電気中立性に基づく帰納バイアスを組み込んだ注意強化型神経微分方程式を中心にしている。
また,多種多様な混合組成における物理的に測定可能なイオン対関係の照明における注意機構の役割について検討した。
さらに,PDEモデルからのシミュレーションデータに対する事前学習の重要性と,ハードとソフトの帰納バイアスによる性能上のメリットについても検討した。
この結果から,物理インフォームド・ディープ・ラーニング・ソリューションは従来のPDEよりも優れており,多種多様な応用にまたがる複雑な輸送現象をモデル化する上で有望な方法であることがわかった。
関連論文リスト
- Neural Operators Learn the Local Physics of Magnetohydrodynamics [6.618373975988337]
磁気流体力学(MHD)は、プラズマと導電性流体の力学を記述する上で重要な役割を果たしている。
最近の進歩は、従来の数値解析のための代理モデルとしてフーリエニューラル演算子(FNO)のようなニューラル演算子を導入している。
本研究では, 理想的なMHDの数値フラックスを近似するために, 修正されたフラックスフーリエニューラル演算子モデルについて検討する。
論文 参考訳(メタデータ) (2024-04-24T17:48:38Z) - Neural Differential Algebraic Equations [6.100037457394823]
微分代数方程式(DAE)のデータ駆動モデリングに適したニューラル微分代数方程式(NDAE)を提案する。
提案したNDAEs抽象化は、関連するシステム理論データ駆動モデリングタスクに適していることを示す。
論文 参考訳(メタデータ) (2024-03-19T17:43:57Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-08-25T07:15:58Z) - Neural oscillators for generalization of physics-informed machine
learning [1.893909284526711]
物理インフォームド機械学習(PIML)の最大の課題は、トレーニング領域を超えた一般化である。
本稿では,PIMLの一般化能力の向上をめざし,実用的で現実的な応用を促進することを目的とする。
我々は、PDEソリューションの因果性と時間的逐次特性を利用して、反復的なニューラルアーキテクチャを持つPIMLモデルを融合する。
論文 参考訳(メタデータ) (2023-08-17T13:50:03Z) - PDE+: Enhancing Generalization via PDE with Adaptive Distributional
Diffusion [66.95761172711073]
ニューラルネットワークの一般化は、機械学習における中心的な課題です。
本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。
私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
論文 参考訳(メタデータ) (2023-05-25T08:23:26Z) - 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) - Physics-constrained neural differential equations for learning
multi-ionic transport [0.0]
我々は,ポリアミドナノ孔間のイオン輸送挙動を学習する物理インフォームド深層学習モデルを開発した。
ニューラル・ディファレンシャル・方程式を古典的閉包モデルと組み合わせて、ニューラル・フレームワークに直接帰納バイアスとして利用する。
論文 参考訳(メタデータ) (2023-03-07T17:18:52Z) - Multi-resolution partial differential equations preserved learning
framework for spatiotemporal dynamics [11.981731023317945]
物理インフォームドディープラーニング(PiDL)は、物理原理をモデルに組み込むことによって、これらの課題に対処する。
我々は、ニューラルネットワークアーキテクチャに離散化された支配方程式を焼いて、物理の事前知識を活用することを提案する。
離散化されたPDEを畳み込み残差ネットワークを介して多分解能設定に埋め込むことにより、一般化可能性と長期予測を大幅に改善する。
論文 参考訳(メタデータ) (2022-05-09T01:27:58Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。
所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。
実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
論文 参考訳(メタデータ) (2020-03-06T23:11:13Z)
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。