Fugu-MT 論文翻訳(概要): Label Propagation Training Schemes for Physics-Informed Neural Networks and Gaussian Processes

論文の概要: Label Propagation Training Schemes for Physics-Informed Neural Networks and Gaussian Processes

arxiv url: http://arxiv.org/abs/2404.05817v1
Date: Mon, 8 Apr 2024 18:41:55 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 18:48:28.517531
Title: Label Propagation Training Schemes for Physics-Informed Neural Networks and Gaussian Processes
Title（参考訳）: 物理インフォームドニューラルネットワークとガウス過程のためのラベル伝搬学習手法
Authors: Ming Zhong, Dehao Liu, Raymundo Arroyave, Ulisses Braga-Neto,
Abstract要約: 本稿では,物理情報を用いた機械学習手法の訓練のための半教師付き方法論を提案する。本稿では,これらの手法が情報伝達の時間を短縮する方法について述べる。
参考スコア（独自算出の注目度）: 12.027710824379428
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a semi-supervised methodology for training physics-informed machine learning methods. This includes self-training of physics-informed neural networks and physics-informed Gaussian processes in isolation, and the integration of the two via co-training. We demonstrate via extensive numerical experiments how these methods can ameliorate the issue of propagating information forward in time, which is a common failure mode of physics-informed machine learning.
Abstract（参考訳）: 本稿では,物理情報を用いた機械学習手法の訓練のための半教師付き方法論を提案する。これには、物理インフォームドニューラルネットワークの自己学習、物理インフォームドガウス過程の分離、コトレーニングによる2つの統合が含まれる。物理インフォームド・機械学習の一般的な障害モードである情報伝達の時間を延ばすという問題を,これらの手法がいかに改善できるかを,広範な数値実験で実証する。

関連論文リスト

Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文参考訳（メタデータ） (2024-11-18T11:58:20Z)
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)
Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文参考訳（メタデータ） (2024-02-04T21:43:37Z)
On the Relationships between Graph Neural Networks for the Simulation of Physical Systems and Classical Numerical Methods [0.0]
物理システムのモデリングにおける機械学習手法の最近の発展は、計算科学における数値的手法の過去の発展を反映し始めている。現状の機械学習手法にはまだ適用されていないシミュレーション手法の概要を述べる。我々は、科学のための機械学習モデルをより効率的にするためのこれらのアプローチの可能性について、展望を提示して結論付ける。
論文参考訳（メタデータ） (2023-03-31T21:51:00Z)
Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文参考訳（メタデータ） (2022-12-18T02:03:00Z)
Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations [44.89798007370551]
本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
論文参考訳（メタデータ） (2022-03-02T19:09:52Z)
The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist [0.0]
この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
論文参考訳（メタデータ） (2021-11-27T15:12:42Z)
Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文参考訳（メタデータ） (2021-10-14T14:05:19Z)
Physical Gradients for Deep Learning [101.36788327318669]
最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
論文参考訳（メタデータ） (2021-09-30T12:14:31Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Physics-based polynomial neural networks for one-shot learning of dynamical systems from one or a few samples [0.0]
本論文は, 単純な振り子と世界最大規模のX線源の双方について, 実測結果について述べる。提案手法により, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができることが実証された。
論文参考訳（メタデータ） (2020-05-24T09:27:10Z)

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。