Fugu-MT 論文翻訳(概要): Adapting Physics-Informed Neural Networks To Optimize ODEs in Mosquito Population Dynamics

論文の概要: Adapting Physics-Informed Neural Networks To Optimize ODEs in Mosquito Population Dynamics

arxiv url: http://arxiv.org/abs/2406.05108v1
Date: Fri, 7 Jun 2024 17:40:38 GMT
ステータス: 処理完了
システム内更新日: 2024-06-10 13:02:56.883823
Title: Adapting Physics-Informed Neural Networks To Optimize ODEs in Mosquito Population Dynamics
Title（参考訳）: モスキート人口動態におけるODE最適化のための物理情報ニューラルネットワークの適用
Authors: Dinh Viet Cuong, Branislava Lalić, Mina Petrić, Binh Nguyen, Mark Roantree,
Abstract要約: 本稿では,ODE システムの前方および逆問題に対していくつかの改良を加えた PINN フレームワークを提案する。この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。
参考スコア（独自算出の注目度）: 0.019972837513980313
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Physics informed neural networks have been gaining popularity due to their unique ability to incorporate physics laws into data-driven models, ensuring that the predictions are not only consistent with empirical data but also align with domain-specific knowledge in the form of physics equations. The integration of physics principles enables the method to require less data while maintaining the robustness of deep learning in modeling complex dynamical systems. However, current PINN frameworks are not sufficiently mature for real-world ODE systems, especially those with extreme multi-scale behavior such as mosquito population dynamical modelling. In this research, we propose a PINN framework with several improvements for forward and inverse problems for ODE systems with a case study application in modelling the dynamics of mosquito populations. The framework tackles the gradient imbalance and stiff problems posed by mosquito ordinary differential equations. The method offers a simple but effective way to resolve the time causality issue in PINNs by gradually expanding the training time domain until it covers entire domain of interest. As part of a robust evaluation, we conduct experiments using simulated data to evaluate the effectiveness of the approach. Preliminary results indicate that physics-informed machine learning holds significant potential for advancing the study of ecological systems.
Abstract（参考訳）: 物理情報ニューラルネットワークは、物理法則をデータ駆動モデルに組み込む独特な能力によって人気を集めており、予測が経験的データと一致しているだけでなく、物理方程式の形でのドメイン固有の知識とも一致していることが保証されている。物理原理の統合により、複雑な力学系のモデリングにおいて、深層学習の堅牢性を維持しながら、少ないデータを要求することができる。しかし、現在のPINNフレームワークは、現実世界のODEシステム、特に蚊の集団動態モデリングのような極端なマルチスケールの挙動を持つシステムでは十分に成熟していない。本研究は,本システムにおける前方・逆問題に対するいくつかの改善を加えたPINNフレームワークの提案であり,蚊集団の動態をモデル化するためのケーススタディである。この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。本手法は,PINNの時間因果問題に対して,学習時間領域を関心領域全体をカバーするまで徐々に拡張することにより,簡便かつ効果的な解決方法を提供する。頑健な評価の一環として,シミュレーションデータを用いて実験を行い,提案手法の有効性を検証した。予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。

関連論文リスト

Scientific machine learning in ecological systems: A study on the predator-prey dynamics [1.4633779950109127]
我々は、学習データやニューラルネットワークにのみ依存して、システムの事前の知識なしに、基礎となる微分方程式を明らかにすることを目指している。本稿では,LotkaVolterraシステムの予測と予測に,Neural ODEとUDEの両方を効果的に活用できることを実証する。基礎となるダイナミクスを効果的に回復し、トレーニングデータを大幅に減らして正確な予測を行うことで、UDEがニューラルODEより優れているかを観察した。
論文参考訳（メタデータ） (2024-11-11T10:40:45Z)
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)
MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。 MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文参考訳（メタデータ） (2023-04-27T09:11:40Z)
On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
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)
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)
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)
Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
論文参考訳（メタデータ） (2021-08-11T18:05:55Z)
Hard Encoding of Physics for Learning Spatiotemporal Dynamics [8.546520029145853]
既知の物理知識を強制的にエンコードして,データ駆動的な学習を容易にするディープラーニングアーキテクチャを提案する。物理学の強制符号化メカニズムは、ペナルティに基づく物理学による学習と根本的に異なるが、ネットワークが与えられた物理学に厳密に従うことを保証する。
論文参考訳（メタデータ） (2021-05-02T21:40:39Z)
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。