論文の概要: A comparison of Single- and Double-generator formalisms for Thermodynamics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2404.01060v1
• Date: Mon, 1 Apr 2024 11:48:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 22:35:23.911232
• Title: A comparison of Single- and Double-generator formalisms for Thermodynamics-Informed Neural Networks
• Title（参考訳）: 熱力学インフォームドニューラルネットワークにおける単世代および二重世代形式の比較
• Authors: Pau Urdeitx, Icíar Alfaro, David González, Francisco Chinesta, Elías Cueto,
• Abstract要約: 誘導バイアスの開発は、ニューラルネットワークの精度と堅牢性を高める非常に効果的な方法であることが示されている。 本稿では,物理現象を予測するための2種類の定式化の利点と欠点について考察する。
• 参考スコア（独自算出の注目度）: 4.1942958779358674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of inductive biases has been shown to be a very effective way to increase the accuracy and robustness of neural networks, particularly when they are used to predict physical phenomena. These biases significantly increase the certainty of predictions, decrease the error made and allow considerably smaller datasets to be used. There are a multitude of methods in the literature to develop these biases. One of the most effective ways, when dealing with physical phenomena, is to introduce physical principles of recognised validity into the network architecture. The problem becomes more complex without knowledge of the physical principles governing the phenomena under study. A very interesting possibility then is to turn to the principles of thermodynamics, which are universally valid, regardless of the level of abstraction of the description sought for the phenomenon under study. To ensure compliance with the principles of thermodynamics, there are formulations that have a long tradition in many branches of science. In the field of rheology, for example, two main types of formalisms are used to ensure compliance with these principles: one-generator and two-generator formalisms. In this paper we study the advantages and disadvantages of each, using classical problems with known solutions and synthetic data.
• Abstract（参考訳）: 誘導バイアスの発達は、特に物理現象を予測するために使用されるニューラルネットワークの精度と堅牢性を高める非常に効果的な方法であることが示されている。 これらのバイアスは予測の確実性を著しく増加させ、エラーを低減し、より小さなデータセットの使用を可能にする。 文献にはこれらのバイアスを開発するための多くの方法がある。 物理現象を扱う最も効果的な方法の1つは、認識された妥当性の物理原理をネットワークアーキテクチャに導入することである。 この問題は、研究中の現象を統治する物理原理の知識がなければ、より複雑になる。 その際、非常に興味深い可能性は、研究中の現象に求める記述の抽象化のレベルに関係なく、普遍的に有効である熱力学の原理に目を向けることである。 熱力学の原理に従うために、科学の多くの分野において長い伝統を持つ定式化が存在する。 レオロジーの分野では、例えば2つの主要な形式主義がこれらの原則に準拠するために用いられる: 1世代形式主義と2世代形式主義である。 本稿では,既知の解法と合成データを用いた古典的問題を用いて,それぞれの長所と短所について検討する。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Thermodynamics-informed super-resolution of scarce temporal dynamics data [4.893345190925178]
  本稿では,物理系の測定値の分解能を高め,その時間進化を予測する手法を提案する。 本手法では, 逆自己エンコーダを用いて全順序モデルの次元性を, 先行値に適合するように強制される潜在変数の集合に還元する。 第2のニューラルネットワークは、潜伏変数の物理的構造を学び、その時間的進化を予測するために訓練される。
  論文  参考訳（メタデータ） (2024-02-27T13:46:45Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• 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)
• Deep Machine Learning Reconstructing Lattice Topology with Strong Thermal Fluctuations [10.55785051508181]
  深部畳み込みニューラルネットワーク(CNN)は、強い熱ゆらぎと不均衡なデータの存在下で格子トポロジーを再構築した。 提案手法は,ノードのダイナミクスに関する知識を必要とする従来の手法と区別する。 我々は、未学習の初期スピン構成から進化したインスタンスを扱うためのCNNの一般化を公表する。
  論文  参考訳（メタデータ） (2022-08-08T13:28:21Z)
• Unifying physical systems' inductive biases in neural ODE using dynamics constraints [0.0]
  省エネシステムだけでなく、散逸システムにも適用可能な簡単な方法を提案する。 提案手法はニューラルネットワークアーキテクチャの変更を必要とせず,新しいアイデアを検証するための基盤を形成することができる。
  論文  参考訳（メタデータ） (2022-08-03T14:33:35Z)
• Path sampling of recurrent neural networks by incorporating known physics [0.0]
  我々は、再帰的なニューラルネットワークに一般的な熱力学または運動論的制約を組み込むことができる経路サンプリング手法を示す。 本稿では,長期記憶ネットワークとして広く利用されているリカレントニューラルネットワークについて述べる。 我々の手法は、他の生成人工知能モデルや、物理・社会科学の様々な分野における一般的な時系列に容易に一般化できる。
  論文  参考訳（メタデータ） (2022-03-01T16:35:50Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。