論文の概要: Physics-informed Neural Networks for Encoding Dynamics in Real Physical Systems

• arxiv url: http://arxiv.org/abs/2401.03534v1
• Date: Sun, 7 Jan 2024 16:19:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 18:28:50.315573
• Title: Physics-informed Neural Networks for Encoding Dynamics in Real Physical Systems
• Title（参考訳）: 物理インフォームドニューラルネットワークによる実システムにおけるダイナミクスの符号化
• Authors: Hamza Alsharif
• Abstract要約: この論文は、制御方程式を符号化する候補モデルとして物理情報ニューラルネットワーク(PINN)を調査する。 振り子システムでは、PINNは理想的なデータケースにおいて同等の非情報ニューラルネットワーク(NN)よりも優れていた。 実験から収集した実データと類似したテストケースでは、PINNは、67の線形空間と均一に分散されたランダムポイントに対して、9.3xと9.1xの精度でNNよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This dissertation investigates physics-informed neural networks (PINNs) as candidate models for encoding governing equations, and assesses their performance on experimental data from two different systems. The first system is a simple nonlinear pendulum, and the second is 2D heat diffusion across the surface of a metal block. We show that for the pendulum system the PINNs outperformed equivalent uninformed neural networks (NNs) in the ideal data case, with accuracy improvements of 18x and 6x for 10 linearly-spaced and 10 uniformly-distributed random training points respectively. In similar test cases with real data collected from an experiment, PINNs outperformed NNs with 9.3x and 9.1x accuracy improvements for 67 linearly-spaced and uniformly-distributed random points respectively. For the 2D heat diffusion, we show that both PINNs and NNs do not fare very well in reconstructing the heating regime due to difficulties in optimizing the network parameters over a large domain in both time and space. We highlight that data denoising and smoothing, reducing the size of the optimization problem, and using LBFGS as the optimizer are all ways to improve the accuracy of the predicted solution for both PINNs and NNs. Additionally, we address the viability of deploying physics-informed models within physical systems, and we choose FPGAs as the compute substrate for deployment. In light of this, we perform our experiments using a PYNQ-Z1 FPGA and identify issues related to time-coherent sensing and spatial data alignment. We discuss the insights gained from this work and list future work items based on the proposed architecture for the system that our methods work to develop.
• Abstract（参考訳）: この論文は、制御方程式を符号化する候補モデルとして物理情報ニューラルネットワーク(PINN)を調査し、その性能を2つの異なるシステムからの実験データで評価する。 第1のシステムは単純な非線形振り子であり、第2のシステムは金属ブロックの表面を横切る2次元熱拡散である。 振り子システムにおいて,pinnsは,線形空間10点と均一分布ランダムトレーニング点10点に対して,それぞれ18倍,6倍の精度で等価な非奇形ニューラルネットワーク(nns)を上回っていた。 実験から収集した実データを持つ同様のテストケースでは、pinnsは、それぞれ67の線形空間と一様分布のランダム点に対する9.3倍と9.1倍の精度向上率でnnsを上回った。 2次元熱拡散では,ネットワークパラメータの最適化が時間と空間の両方において困難であるため,pinnとnnはいずれも加熱機構の再構築にあまり適さないことを示した。 我々は、最適化問題のサイズを減らし、LBFGSを最適化器として用いることは、PINNとNNの両方で予測された解の精度を改善する方法である、と強調する。 さらに,物理系に物理インフォームドモデルを配置する可能性についても検討し,FPGAを計算基板として選択する。 これを踏まえ、PYNQ-Z1 FPGAを用いて実験を行い、時間コヒーレントなセンシングと空間データアライメントに関する問題を特定する。 本研究から得られた知見を議論し,本手法が開発するシステムのアーキテクチャに基づく今後の作業項目を列挙する。

関連論文リスト

• Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems [1.6494451064539348]
  本稿では、数値データや実験データによるデータ駆動事前学習と、ハミルトン駆動最適化の第2段階を含む、ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。 我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
  論文  参考訳（メタデータ） (2024-05-31T17:55:27Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• On-Sensor Data Filtering using Neuromorphic Computing for High Energy Physics Experiments [1.554920942634392]
  本稿では, 粒子の逆運動量に基づいてセンサデータをフィルタリングする小型ニューロモルフィックモデルを提案する。 入ってくる電荷波形は二値イベントのストリームに変換され、SNNによって処理される。
  論文  参考訳（メタデータ） (2023-07-20T21:25:25Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Learning Functional Priors and Posteriors from Data and Physics [3.537267195871802]
  我々は、歴史的データを用いて時空の露光を可能にするディープニューラルネットワークに基づく新しいフレームワークを開発した。 物理インフォームド・ジェネレーティブ・アダクティブ・アダクティブ・ネットワーク(PI-GAN)を用いて機能的事前学習を行う。 第2段階では, PI-GANの潜伏空間の後方を推定するために, ハミルトニアンモンテカルロ法(HMC)を用いる。
  論文  参考訳（メタデータ） (2021-06-08T03:03:24Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)
• Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
  本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。 関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
  論文  参考訳（メタデータ） (2020-12-19T02:03:53Z)

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。