論文の概要: The Physics-Informed Neural Network Gravity Model: Generation III
- arxiv url: http://arxiv.org/abs/2312.10257v1
- Date: Fri, 15 Dec 2023 23:17:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 17:35:47.912647
- Title: The Physics-Informed Neural Network Gravity Model: Generation III
- Title(参考訳): 物理に変形したニューラルネットワーク重力モデル:第iii世代
- Authors: John Martin and Hanspeter Schaub
- Abstract要約: 本稿では,物理インフォームドニューラルネットワーク重力モデル(PINN-GM-III)の第3世代を紹介する。
誤差補間、低高度サンプルへの偏り、高高度での数値不安定性、および準拠境界条件の問題を解く。
既知の不均一密度小惑星をモデル化し、その性能を7つのコアメトリクスを用いて評価する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific machine learning and the advent of the Physics-Informed Neural
Network (PINN) show considerable potential in their capacity to identify
solutions to complex differential equations. Over the past two years, much work
has gone into the development of PINNs capable of solving the gravity field
modeling problem -- i.e.\ learning a differentiable form of the gravitational
potential from position and acceleration estimates. While the past PINN gravity
models (PINN-GMs) have demonstrated advantages in model compactness, robustness
to noise, and sample efficiency; there remain key modeling challenges which
this paper aims to address. Specifically, this paper introduces the third
generation of the Physics-Informed Neural Network Gravity Model (PINN-GM-III)
which solves the problems of extrapolation error, bias towards low-altitude
samples, numerical instability at high-altitudes, and compliant boundary
conditions through numerous modifications to the model's design. The
PINN-GM-III is tested by modeling a known heterogeneous density asteroid, and
its performance is evaluated using seven core metrics which showcases its
strengths against its predecessors and other analytic and numerical gravity
models.
- Abstract(参考訳): 科学機械学習と物理情報ニューラルネットワーク(PINN)の出現は、複素微分方程式の解を同定する能力にかなりの可能性があることを示している。
過去2年間で、重力場モデリング(つまり、位置と加速度推定から重力ポテンシャルの微分可能な形式を学ぶ)を解くことができるPINNの開発に多くの研究が取り組んできた。
従来のPINN重力モデル (PINN-GMs) は, モデルコンパクト性, ノイズに対する頑健性, サンプル効率の優位性を実証してきたが, 本稿で論じる重要なモデリング課題は残されている。
具体的には,外挿誤差,低高度サンプルへのバイアス,高高度数値不安定性,モデル設計への多数の変更による境界条件の遵守といった問題を解く物理情報ニューラルネットワーク重力モデル(PINN-GM-III)の第3世代を紹介する。
PINN-GM-IIIは、既知の不均一密度の小惑星をモデル化して試験され、その性能は7つのコア指標を用いて評価される。
関連論文リスト
- Universal Performance Gap of Neural Quantum States Applied to the Hofstadter-Bose-Hubbard Model [0.0]
本研究では,Hofstadter-Bose-Hubbard (HBH)モデルの基底状態の近似におけるNQSの性能について検討した。
以上の結果から,磁束の増大はエネルギー誤差を最大3桁に増加させることが示唆された。
論文 参考訳(メタデータ) (2024-05-03T10:18:35Z) - 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-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-14T23:53:25Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - 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) - 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) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳(メタデータ) (2022-02-18T18:07:54Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。
GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
論文 参考訳(メタデータ) (2020-06-26T05:47:45Z) - Physics-Guided Machine Learning for Scientific Discovery: An Application
in Simulating Lake Temperature Profiles [8.689056739160593]
本稿では,RNNと物理モデルを組み合わせた物理誘導リカレントニューラルネットワークモデル(PGRNN)を提案する。
PGRNNは物理法則と整合した出力を生成しながら、物理モデルよりも予測精度を向上させることができることを示す。
湖沼の温度のダイナミクスをモデル化する文脈において,本手法を提示し,評価するが,より広い範囲の科学・工学分野に適用できる。
論文 参考訳(メタデータ) (2020-01-28T15:44:45Z)
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。