論文の概要: MPIPN: A Multi Physics-Informed PointNet for solving parametric acoustic-structure systems

• arxiv url: http://arxiv.org/abs/2403.01132v1
• Date: Sat, 2 Mar 2024 08:27:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 15:09:10.018973
• Title: MPIPN: A Multi Physics-Informed PointNet for solving parametric acoustic-structure systems
• Title（参考訳）: MPIPN:パラメトリック音響構造システムのための多物理インフォームドポイントネット
• Authors: Chu Wang, Jinhong Wu, Yanzhi Wang, Zhijian Zha, Qi Zhou
• Abstract要約: パラメトリック音響構造を解くために,MPIPN(Multi Physics-Informed PointNet)を提案する。 MPIPNは、計算領域の明示的な物理量と幾何学的特徴を含む拡張されたポイントクラウドアーキテクチャを誘導する。 このフレームワークは、対応する計算領域に対する適応物理学インフォームド損失関数によって訓練される。
• 参考スコア（独自算出の注目度）: 33.32926047057572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is employed for solving physical systems governed by general nonlinear partial differential equations (PDEs). However, complex multi-physics systems such as acoustic-structure coupling are often described by a series of PDEs that incorporate variable physical quantities, which are referred to as parametric systems. There are lack of strategies for solving parametric systems governed by PDEs that involve explicit and implicit quantities. In this paper, a deep learning-based Multi Physics-Informed PointNet (MPIPN) is proposed for solving parametric acoustic-structure systems. First, the MPIPN induces an enhanced point-cloud architecture that encompasses explicit physical quantities and geometric features of computational domains. Then, the MPIPN extracts local and global features of the reconstructed point-cloud as parts of solving criteria of parametric systems, respectively. Besides, implicit physical quantities are embedded by encoding techniques as another part of solving criteria. Finally, all solving criteria that characterize parametric systems are amalgamated to form distinctive sequences as the input of the MPIPN, whose outputs are solutions of systems. The proposed framework is trained by adaptive physics-informed loss functions for corresponding computational domains. The framework is generalized to deal with new parametric conditions of systems. The effectiveness of the MPIPN is validated by applying it to solve steady parametric acoustic-structure coupling systems governed by the Helmholtz equations. An ablation experiment has been implemented to demonstrate the efficacy of physics-informed impact with a minority of supervised data. The proposed method yields reasonable precision across all computational domains under constant parametric conditions and changeable combinations of parametric conditions for acoustic-structure systems.
• Abstract（参考訳）: 機械学習は、一般非線形偏微分方程式(PDE)によって支配される物理系を解くために用いられる。 しかしながら、音響構造結合のような複雑な多物理系はしばしば、パラメトリック系と呼ばれる様々な物理量を含む一連のPDEによって記述される。 暗黙の量と暗黙の量を含むPDEが支配するパラメトリックシステムを解くための戦略が欠けている。 本稿では,パラメトリック音響構造を解くために,深層学習に基づくマルチ物理インフォームドポイントネット(MPIPN)を提案する。 まず、MPIPNは、計算領域の明示的な物理量と幾何学的特徴を含む拡張されたポイントクラウドアーキテクチャを誘導する。 そして、MPIPNは、それぞれパラメトリックシステムの解法基準の一部として、再構成された点雲の局所的特徴と大域的特徴を抽出する。 さらに、暗黙の物理量は、解決基準の別の部分として符号化技術によって埋め込まれている。 最後に、パラメトリックシステムを特徴づける全ての解法基準は、その出力がシステムの解であるMPIPNの入力として特異なシーケンスを形成するために集約される。 提案するフレームワークは、対応する計算領域に対する適応的な物理インフォームド損失関数によって訓練される。 この枠組みはシステムの新しいパラメトリック条件を扱うために一般化されている。 MPIPNの有効性は、ヘルムホルツ方程式が支配する定常パラメトリック音響構造結合系に応用することで検証される。 少数の教師データに対する物理学的影響の有効性を実証するためにアブレーション実験が実施された。 提案手法は, 定パラメータ条件下での計算領域全体の妥当な精度と, 音響構造系のパラメトリック条件の変更可能な組合せを与える。

関連論文リスト

• A Physics Informed Neural Network (PINN) Methodology for Coupled Moving Boundary PDEs [0.0]
  物理インフォームドニューラルネットワーク(PINN)は、微分方程式(DE)を用いてモデル化された物理問題を解くのに役立つ新しいマルチタスク学習フレームワークである 本稿では、複数の制御パラメータ(エネルギーと種、および複数のインターフェースバランス方程式)を含む結合システムを解決するためのPINNベースのアプローチについて報告する。
  論文  参考訳（メタデータ） (2024-09-17T06:00:18Z)
• Lie Point Symmetry and Physics Informed Networks [59.56218517113066]
  本稿では、損失関数を用いて、PINNモデルが基礎となるPDEを強制しようとするのと同じように、リー点対称性をネットワークに通知するロス関数を提案する。 我々の対称性の損失は、リー群の無限小生成元がPDE解を保存することを保証する。 実験により,PDEのリー点対称性による誘導バイアスはPINNの試料効率を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-11-07T19:07:16Z)
• Physics-Informed Solution of The Stationary Fokker-Plank Equation for a Class of Nonlinear Dynamical Systems: An Evaluation Study [0.0]
  Fokker-Planck(FP)方程式の正確な解析解は、力学系の限られた部分集合に対してのみ利用できる。 その可能性を評価するために、FP方程式を解くために、データフリーで物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-25T13:17:34Z)
• PI-VEGAN: Physics Informed Variational Embedding Generative Adversarial Networks for Stochastic Differential Equations [14.044012646069552]
  本稿では,新しい物理インフォームドニューラルネットワーク(PI-VEGAN)について紹介する。 PI-VEGANは微分方程式の前方、逆、混合問題に効果的に取り組む。 我々は,システムパラメータと解の同時計算を必要とする,前方・逆・混合問題に対するPI-VEGANの有効性を評価する。
  論文  参考訳（メタデータ） (2023-07-21T01:18:02Z)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic differential equations [2.741266294612776]
  我々は、物理学インフォームド・ニューラルネットワーク(PI-VAE)と呼ばれる新しいタイプの物理インフォームド・ニューラルネットワークを提案する。 PI-VAEは、システム変数とパラメータのサンプルを生成する変分オートエンコーダ(VAE)で構成されている。 提案手法の精度と効率を,物理インフォームド生成対向ネットワーク (PI-WGAN) と比較して数値的に検証した。
  論文  参考訳（メタデータ） (2022-03-21T21:51:19Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Data vs. Physics: The Apparent Pareto Front of Physics-Informed Neural Networks [8.487185704099925]
  物理インフォームドニューラルネットワーク(PINN)は、有望なディープラーニング手法として登場した。 PINNは訓練が困難であり、データと物理損失関数を組み合わせた場合、損失重み付けを慎重に調整する必要があることが多い。
  論文  参考訳（メタデータ） (2021-05-03T13:47:45Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。