Fugu-MT 論文翻訳(概要): Deep Learning with Physics Priors as Generalized Regularizers

論文の概要: Deep Learning with Physics Priors as Generalized Regularizers

arxiv url: http://arxiv.org/abs/2312.08678v1
Date: Thu, 14 Dec 2023 06:28:32 GMT
ステータス: 処理完了
システム内更新日: 2023-12-15 23:44:08.865985
Title: Deep Learning with Physics Priors as Generalized Regularizers
Title（参考訳）: 一般化正規化器としての物理事前学習
Authors: Frank Liu, Agniva Chowdhury
Abstract要約: モデリングにおける物理の先行として近似モデルを組み込むための原理的手法を提案する。本手法は, 試験精度を最大2桁向上させる。
参考スコア（独自算出の注目度）: 7.7441290824756255
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In various scientific and engineering applications, there is typically an approximate model of the underlying complex system, even though it contains both aleatoric and epistemic uncertainties. In this paper, we present a principled method to incorporate these approximate models as physics priors in modeling, to prevent overfitting and enhancing the generalization capabilities of the trained models. Utilizing the structural risk minimization (SRM) inductive principle pioneered by Vapnik, this approach structures the physics priors into generalized regularizers. The experimental results demonstrate that our method achieves up to two orders of magnitude of improvement in testing accuracy.
Abstract（参考訳）: 様々な科学的・工学的な応用において、一般に、アレタリックとエピステミックの両不確実性を含むにもかかわらず、基礎となる複雑な系の近似モデルが存在する。本稿では,これらの近似モデルをモデリングの物理学的優先事項として取り入れ,学習モデルの一般化能力の過小化を防止し,拡張する原理的手法を提案する。構造的リスク最小化(SRM)の帰納的原理をバプニク(Vapnik)が先駆的に用い、このアプローチは物理学の先行を一般化正則化器に構成する。実験の結果,テスト精度は最大で2桁の改善が達成された。

関連論文リスト

End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文参考訳（メタデータ） (2023-05-17T17:43:10Z)
Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2022-10-12T09:12:59Z)
Physics-Guided Adversarial Machine Learning for Aircraft Systems Simulation [9.978961706999833]
この研究は、物理誘導型逆機械学習(ML)という新しいアプローチを示し、モデルの物理一貫性に対する信頼性を向上させる。 2つの航空機システムの性能モデルに対する実証的な評価は、我々の敵MLアプローチの有効性を示している。
論文参考訳（メタデータ） (2022-09-07T19:23:45Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
Hybrid Machine Learning Modeling of Engineering Systems -- A Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study [0.0]
本稿では,第1原理モデルの処理条件のチューニングを可能にする,ハイブリッドモデリング機械学習フレームワークを提案する。我々の手法は第一原理モデルパラメータの期待値を推定するだけでなく、これらの推定の不確実性を定量化する。シミュレーションの結果, 得られたハイブリッドモデルの不確実性推定を用いて, より良い操作決定を行う方法が示された。
論文参考訳（メタデータ） (2022-05-18T20:15:25Z)
Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文参考訳（メタデータ） (2022-02-17T07:56:46Z)
Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。これらのモデルの現在の機能について、精査する。連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文参考訳（メタデータ） (2021-11-09T23:48:21Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Physics-constrained Deep Learning of Multi-zone Building Thermal Dynamics [6.970705794911342]
熱力学をモデル化するための物理制約付き制御指向深層学習法を提案する。具体的には、従来の物理に基づくビルディングモデリングからニューラルネットワーク熱力学モデル構造への構造的先行性を含める。本研究では,20の温熱領域を有する実世界のオフィスビルディングから得られたデータセットに対して,データ駆動型モデリング手法の有効性と物理的解釈性を示す。
論文参考訳（メタデータ） (2020-11-11T06:39:14Z)
A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文参考訳（メタデータ） (2020-09-25T01:13:51Z)
Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: Generalized Formulations [5.827236278192557]
本研究では,物理正規化ガウス過程(PRGP)という新しいモデリングフレームワークを提案する。この新しいアプローチは、物理モデル、すなわち古典的なトラフィックフローモデルをガウスのプロセスアーキテクチャにエンコードし、機械学習のトレーニングプロセスを規則化する。提案手法の有効性を証明するため,ユタ州I-15高速道路から収集した実世界のデータセットについて実験的検討を行った。
論文参考訳（メタデータ） (2020-07-14T17:27:23Z)

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。