論文の概要: Machine learning and domain decomposition methods -- a survey

• arxiv url: http://arxiv.org/abs/2312.14050v1
• Date: Thu, 21 Dec 2023 17:19:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 13:52:53.559592
• Title: Machine learning and domain decomposition methods -- a survey
• Title（参考訳）: 機械学習とドメイン分割法 -- 調査
• Authors: Axel Klawonn, Martin Lanser, and Janine Weber
• Abstract要約: ブラックボックスの機械学習手法と従来の数値法とドメインの専門知識の経験を組み合わせたハイブリッドアルゴリズムは、徐々に重要になってきています。 本調査の目的は、この分野における既存の研究の概要を提供し、それを機械学習および機械学習強化ドメイン分解のためのドメイン分解に構造化することである。 それぞれの分野において、共通フレームワークにおける既存の作業と重要な進歩を要約し、最後に、今後の研究における継続的な課題と機会を廃止する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid algorithms, which combine black-box machine learning methods with experience from traditional numerical methods and domain expertise from diverse application areas, are progressively gaining importance in scientific machine learning and various industrial domains, especially in computational science and engineering. In the present survey, several promising avenues of research will be examined which focus on the combination of machine learning (ML) and domain decomposition methods (DDMs). The aim of this survey is to provide an overview of existing work within this field and to structure it into domain decomposition for machine learning and machine learning-enhanced domain decomposition, including: domain decomposition for classical machine learning, domain decomposition to accelerate the training of physics-aware neural networks, machine learning to enhance the convergence properties or computational efficiency of DDMs, and machine learning as a discretization method in a DDM for the solution of PDEs. In each of these fields, we summarize existing work and key advances within a common framework and, finally, disuss ongoing challenges and opportunities for future research.
• Abstract（参考訳）: ブラックボックス機械学習法と従来の数値手法の経験と様々な応用分野の専門知識を組み合わせたハイブリッドアルゴリズムは、科学的な機械学習と、特に計算科学や工学において、様々な産業分野において徐々に重要性を増している。 本調査では,機械学習(ML)とドメイン分解法(DDM)の組み合わせに着目した,有望な研究手法について検討する。 The aim of this survey is to provide an overview of existing work within this field and to structure it into domain decomposition for machine learning and machine learning-enhanced domain decomposition, including: domain decomposition for classical machine learning, domain decomposition to accelerate the training of physics-aware neural networks, machine learning to enhance the convergence properties or computational efficiency of DDMs, and machine learning as a discretization method in a DDM for the solution of PDEs. それぞれの分野において、共通フレームワークにおける既存の作業と重要な進歩を要約し、最後に、今後の研究の課題と機会を廃止する。

関連論文リスト

• Transfer Operator Learning with Fusion Frame [0.0]
  本研究は、部分微分方程式(PDE)を解くための演算子学習モデルの伝達学習能力を向上する新しいフレームワークを提案する。 我々は,融合フレームとPOD-DeepONetを組み合わせた革新的なアーキテクチャを導入し,実験解析において様々なPDEに対して優れた性能を示す。 我々のフレームワークは、オペレーターラーニングモデルにおけるトランスファーラーニングの重要な課題に対処し、幅広い科学的・工学的応用において適応的で効率的なソリューションの道を開く。
  論文  参考訳（メタデータ） (2024-08-20T00:03:23Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Deep Learning in Deterministic Computational Mechanics [0.0]
  本稿では,計算力学の応用よりも深層学習に焦点をあてる。 主な聴衆は、この分野に参入しようとしている研究者や、計算力学の深層学習の概観を得ようとする研究者である。
  論文  参考訳（メタデータ） (2023-09-27T05:57:19Z)
• Foundations and Recent Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions [68.6358773622615]
  本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。 本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。 最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
  論文  参考訳（メタデータ） (2022-09-07T19:21:19Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• Incorporating Domain Knowledge into Deep Neural Networks [2.2186394337073527]
  ドメイン知識の導入は、科学的アシスタントの構築だけでなく、人間と機械の協調によるデータの理解に関わる多くの分野にも特に関心がある。 本稿では,これらの知識を論理的および数値的制約としてエンコードする2つの幅広い手法について検討し,これらの手法のサブカテゴリで得られた手法と結果について述べる。
  論文  参考訳（メタデータ） (2021-02-27T10:39:43Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。