論文の概要: Generalizable Neural Physics Solvers by Baldwinian Evolution
- arxiv url: http://arxiv.org/abs/2312.03243v1
- Date: Wed, 6 Dec 2023 02:31:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 16:17:50.555748
- Title: Generalizable Neural Physics Solvers by Baldwinian Evolution
- Title(参考訳): ボールドウィン進化による一般化型神経物理学解法
- Authors: Jian Cheng Wong, Chin Chun Ooi, Abhishek Gupta, Pao-Hsiung Chiu,
Joshua Shao Zheng Low, My Ha Dao, Yew-Soon Ong
- Abstract要約: 物理学の分野全体にわたって一般化するPINNの発見の可能性について検討する。
我々は、物理の効率的な学習に向けて強いバイアスをもたらす接続強度に事前接続されたPINNを想定する。
本稿では、一般化可能な物理解法として、PINNのメタラーニングの飛躍的な進歩を示す。
- 参考スコア(独自算出の注目度): 23.709458071148333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-informed neural networks (PINNs) are at the forefront of scientific
machine learning, making possible the creation of machine intelligence that is
cognizant of physical laws and able to accurately simulate them. In this paper,
the potential of discovering PINNs that generalize over an entire family of
physics tasks is studied, for the first time, through a biological lens of the
Baldwin effect. Drawing inspiration from the neurodevelopment of precocial
species that have evolved to learn, predict and react quickly to their
environment, we envision PINNs that are pre-wired with connection strengths
inducing strong biases towards efficient learning of physics. To this end,
evolutionary selection pressure (guided by proficiency over a family of tasks)
is coupled with lifetime learning (to specialize on a smaller subset of those
tasks) to produce PINNs that demonstrate fast and physics-compliant prediction
capabilities across a range of empirically challenging problem instances. The
Baldwinian approach achieves an order of magnitude improvement in prediction
accuracy at a fraction of the computation cost compared to state-of-the-art
results with PINNs meta-learned by gradient descent. This paper marks a leap
forward in the meta-learning of PINNs as generalizable physics solvers.
- Abstract(参考訳): 物理インフォームドニューラルネットワーク(PINN)は、科学機械学習の最前線にあり、物理的法則を認識し、それらを正確にシミュレートできるマシンインテリジェンスの作成を可能にする。
本稿では,Baldwin効果の生物学的レンズを用いて,物理学的なタスクのファミリー全体を一般化するPINNを発見する可能性を初めて研究した。
学習し、予測し、環境に素早く反応するために進化した前皮質生物の神経発達から着想を得て、物理学の効率的な学習に向けて強いバイアスを誘発する接続強度を持つピンを想定する。
この目的のために、進化的選択圧力(一連のタスクの習熟度によって誘導される)は、生涯学習(これらのタスクの小さなサブセットを専門化する)と結合され、実験的な問題インスタンスの範囲で高速で物理に準拠する予測能力を実証するPINNを生成する。
ボードウィニアンの手法は、勾配勾配勾配によってメタ学習されたPINNによる最先端の計算結果と比較して、計算コストのごく一部で予測精度が大幅に向上する。
本稿では,ピンを一般化可能な物理解法としてメタラーニングの進歩を示す。
関連論文リスト
- Architectural Strategies for the optimization of Physics-Informed Neural
Networks [30.92757082348805]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)における前方および逆問題に対処するための有望な道を提供する
その顕著な経験的成功にもかかわらず、PINNは様々なPDEで悪名高いトレーニング課題の評判を得た。
論文 参考訳(メタデータ) (2024-02-05T04:15:31Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳(メタデータ) (2023-10-25T13:15:17Z) - On the Generalization of PINNs outside the training domain and the
Hyperparameters influencing it [1.3927943269211593]
PINNは、解データを必要としない微分方程式の解をエミュレートするように訓練されたニューラルネットワークアーキテクチャである。
トレーニング領域外におけるPINN予測の挙動を実証分析する。
PINNのアルゴリズム設定が一般化のポテンシャルに影響を及ぼすかどうかを評価し,予測に対する各効果を示す。
論文 参考訳(メタデータ) (2023-02-15T09:51:56Z) - Neuroevolution of Physics-Informed Neural Nets: Benchmark Problems and
Comparative Results [25.12291688711645]
物理インフォームドニューラルネットワーク(PINN)は、最近の進歩の最前線にある重要な技術の一つである。
PINNのユニークな損失の定式化は、勾配降下に寄与しない高い複雑さと頑丈さをもたらす。
優れたグローバル検索能力を持つ神経進化アルゴリズムは、PINNにとってより良い選択であるかもしれない。
論文 参考訳(メタデータ) (2022-12-15T05:54:16Z) - Physics-Guided, Physics-Informed, and Physics-Encoded Neural Networks in
Scientific Computing [0.0]
コンピュータパワーの最近の進歩は、機械学習とディープラーニングを使って科学計算を進歩させることを可能にした。
固有のアーキテクチャのため、従来のニューラルネットワークは、データがスパースである場合には、うまくトレーニングされ、スコープ化できない。
ニューラルネットワークは、物理的駆動あるいは知識に基づく制約を消化するための強力な基盤を提供する。
論文 参考訳(メタデータ) (2022-11-14T15:44:07Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳(メタデータ) (2022-05-27T03:24:31Z) - Revisiting PINNs: Generative Adversarial Physics-informed Neural
Networks and Point-weighting Method [70.19159220248805]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する
本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。
本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
論文 参考訳(メタデータ) (2022-05-18T06:50:44Z) - PSO-PINN: Physics-Informed Neural Networks Trained with Particle Swarm
Optimization [0.0]
そこで本研究では,ハイブリッド粒子群最適化と勾配降下法を用いてPINNを訓練する手法を提案する。
PSO-PINNアルゴリズムは、標準勾配降下法で訓練されたPINNの望ましくない挙動を緩和する。
実験の結果, PSO-PINNはアダム勾配降下法でトレーニングしたベースラインPINNよりも一貫して優れていた。
論文 参考訳(メタデータ) (2022-02-04T02:21:31Z) - 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) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳(メタデータ) (2020-05-08T16:15:47Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。