論文の概要: A novel framework for generalization of deep hidden physics models
- arxiv url: http://arxiv.org/abs/2401.04648v1
- Date: Tue, 9 Jan 2024 16:16:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 15:09:48.101321
- Title: A novel framework for generalization of deep hidden physics models
- Title(参考訳): 深部隠れ物理モデルの一般化のための新しい枠組み
- Authors: Vijay Kag, Birupaksha Pal
- Abstract要約: 本稿では,システム入力,パラメータ,ドメインの変化を一般化できる隠れ物理モデルの概念を新たに拡張する。
また,本手法はシステム発見においても有望であり,システム入力やパラメータ,ドメイン構成の隠れ物理の学習にも有効であることを示す。
- 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: Modelling of systems where the full system information is unknown is an oft
encountered problem for various engineering and industrial applications, as
it's either impossible to consider all the complex physics involved or simpler
models are considered to keep within the limits of the available resources.
Recent advances in greybox modelling like the deep hidden physics models
address this space by combining data and physics. However, for most real-life
applications, model generalizability is a key issue, as retraining a model for
every small change in system inputs and parameters or modification in domain
configuration can render the model economically unviable. In this work we
present a novel enhancement to the idea of hidden physics models which can
generalize for changes in system inputs, parameters and domains. We also show
that this approach holds promise in system discovery as well and helps learn
the hidden physics for the changed system inputs, parameters and domain
configuration.
- Abstract(参考訳): システム情報が不明なシステムのモデリングは、さまざまなエンジニアリングや産業アプリケーションで遭遇した問題であり、関連する全ての複雑な物理学を考慮できないか、あるいはより単純なモデルが利用可能なリソースの限界内にあると考えられるためである。
近年のグレーボックスモデリングの進歩は、データと物理を組み合わせることで、この空間に対処している。
しかし、実際のほとんどのアプリケーションでは、システムの入力やパラメータの変更やドメイン構成の変更の度にモデルを再トレーニングすることで、モデルを経済的に不可能にすることができる。
本研究では,システム入力,パラメータ,領域の変化を一般化できる隠れ物理モデルの概念を新たに拡張する。
また,この手法はシステム探索にも有望であり,システム入力,パラメータ,ドメイン構成の変化に対する隠れた物理学の学習を支援する。
関連論文リスト
- PhyRecon: Physically Plausible Neural Scene Reconstruction [83.26912712054391]
我々はPhyReconを紹介した。これは、異なるレンダリングと微分可能な物理シミュレーションを利用して、暗黙的な表面表現を学習する。
本フレームワークは,ニューラル暗黙表現とシームレスに統合された,新しい微分可能なパーティクルベース物理シミュレータを提案する。
我々の再構成結果は、Isaac Gym氏によって検証され、すべてのデータセットで少なくとも40%改善された、優れた物理的安定性をもたらす。
論文 参考訳(メタデータ) (2024-04-25T15:06:58Z) - Building Flexible Machine Learning Models for Scientific Computing at
Scale [36.50343666079548]
我々は科学計算の基礎モデル構築のためのパラダイムシフトアプローチであるOmniArchを紹介する。
包括的なPDEBenchデータセットで事前トレーニングされたOmniArchは、新しいパフォーマンスベンチマークを1D、2D、3D PDE用に設定する。
モデルの表現はさらに逆問題解決にまで拡張され、AI対応科学コンピューティング(AI4SC)の変革の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-25T07:19:01Z) - Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文 参考訳(メタデータ) (2022-09-23T14:38:01Z) - 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 Modal ODEs: Integrating Physics-based Modeling with Neural ODEs
for Modeling High Dimensional Monitored Structures [9.065343126886093]
本稿では、物理に基づくモデリングとディープラーニングを統合するためのフレームワーク、Neural Modal ODEを提案する。
オートエンコーダは、観測データの最初の数項目から潜伏変数の初期値までの抽象的なマッピングを学習する。
提案モデルの復号器は, 線形化部分に適用された固有解析から導出した固有モードを物理モデルに適用する。
論文 参考訳(メタデータ) (2022-07-16T09:30:20Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - 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) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - 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) - Modeling System Dynamics with Physics-Informed Neural Networks Based on
Lagrangian Mechanics [3.214927790437842]
第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。
本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。
本研究の目的は,機械系のモデルベース制御とシステム同定である。
論文 参考訳(メタデータ) (2020-05-29T15:10:43Z)
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。