論文の概要: PAPM: A Physics-aware Proxy Model for Process Systems
- arxiv url: http://arxiv.org/abs/2407.05232v1
- Date: Sun, 7 Jul 2024 02:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 20:37:03.767333
- Title: PAPM: A Physics-aware Proxy Model for Process Systems
- Title(参考訳): PAPM: 物理を意識したプロセスシステムのプロキシモデル
- Authors: Pengwei Liu, Zhongkai Hao, Xingyu Ren, Hangjie Yuan, Jiayang Ren, Dong Ni,
- Abstract要約: 本稿では,プロセスシステムの一部の物理を組み込んだ物理対応プロキシモデル(PAPM)を提案する。
PAPMは平均性能が6.7%向上するのに対して、FLOPは少なく、パラメータの1%しか必要としない。
- 参考スコア(独自算出の注目度): 12.94548495044072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of proxy modeling for process systems, traditional data-driven deep learning approaches frequently encounter significant challenges, such as substantial training costs induced by large amounts of data, and limited generalization capabilities. As a promising alternative, physics-aware models incorporate partial physics knowledge to ameliorate these challenges. Although demonstrating efficacy, they fall short in terms of exploration depth and universality. To address these shortcomings, we introduce a physics-aware proxy model (PAPM) that fully incorporates partial prior physics of process systems, which includes multiple input conditions and the general form of conservation relations, resulting in better out-of-sample generalization. Additionally, PAPM contains a holistic temporal-spatial stepping module for flexible adaptation across various process systems. Through systematic comparisons with state-of-the-art pure data-driven and physics-aware models across five two-dimensional benchmarks in nine generalization tasks, PAPM notably achieves an average performance improvement of 6.7%, while requiring fewer FLOPs, and just 1% of the parameters compared to the prior leading method. The code is available at https://github.com/pengwei07/PAPM.
- Abstract(参考訳): プロセスシステムのプロキシモデリングの文脈では、従来のデータ駆動型ディープラーニングアプローチは、大量のデータによって引き起こされる相当なトレーニングコストや、限定的な一般化能力など、重大な課題にしばしば直面する。
将来有望な代替手段として、物理学を意識したモデルには、これらの課題を改善するために部分的な物理知識が組み込まれている。
有効性を示すが、探査深度と普遍性の観点からは不足している。
これらの欠点に対処するために、複数の入力条件と保存関係の一般形を含むプロセスシステムの部分的事前物理を完全に組み込んだ物理対応プロキシモデル(PAPM)を導入する。
さらに、PAPMには、様々なプロセスシステムにまたがる柔軟な適応のための全体論的時間空間ステップモジュールが含まれている。
9つの一般化タスクにおける5つの2次元ベンチマークにおける最先端の純粋なデータ駆動モデルと物理認識モデルとの体系的な比較により、PAPMはFLOPを少なくし、パラメータの1%を先行手法と比較して平均6.7%の性能改善を実現している。
コードはhttps://github.com/pengwei07/PAPMで公開されている。
関連論文リスト
- Physics-Guided Foundation Model for Scientific Discovery: An Application to Aquatic Science [13.28811382673697]
事前学習したMLモデルと物理モデルを組み合わせたtextittextbfPhysics-textbfGuided textbfFoundation textbfModel(textbfPGFM)を提案する。
実世界の湖沼における水温と溶存酸素動態のモデル化における本手法の有効性を実証する。
論文 参考訳(メタデータ) (2025-02-10T00:48:10Z) - Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。
単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
論文 参考訳(メタデータ) (2024-10-02T09:44:54Z) - Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。
本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。
C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
論文 参考訳(メタデータ) (2024-06-21T19:55:34Z) - When Parameter-efficient Tuning Meets General-purpose Vision-language
Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。
実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-16T17:13:08Z) - Multiple Physics Pretraining for Physical Surrogate Models [41.26924657687872]
物理モデリングのための自己認識型タスク・時間事前学習手法であるMultiple Physics Pretraining (MPP)を導入する。
MPPでは、特定の物理システム上で1つのモデルをトレーニングするのではなく、バックボーンモデルをトレーニングし、複数の異種物理システムのダイナミクスを予測する。
1つのMPP事前学習変換器は、事前学習タスクと下流タスクの両方において、タスク固有のベースラインを一致または向上させることができることを示す。
論文 参考訳(メタデータ) (2023-10-04T17:29:19Z) - Generalizable End-to-End Deep Learning Frameworks for Real-Time Attitude
Estimation Using 6DoF Inertial Measurement Units [0.0]
本稿では、6DoF IMU測定を用いた実時間慣性姿勢推定のためのエンドツーエンドディープラーニングフレームワークを提案する。
加速度計とジャイロスコープを入力とする2つのディープラーニングモデルを提案する。
提案手法は, 精度とロバスト性の観点から, 最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-02-13T00:41:49Z) - Self-Validated Physics-Embedding Network: A General Framework for
Inverse Modelling [2.449329947677678]
SVPEN(Self-Embedding Physics-Embedding Network)は、逆モデリングのための一般的なニューラルネットワークフレームワークである。
組込み物理フォワードモデルは、そのバリデーションに合格した任意の解が物理的に妥当であることを保証する。
非常に非線形で完全に異なる2つの応用における10以上のケーススタディが提示される。
論文 参考訳(メタデータ) (2022-10-12T10:31:36Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳(メタデータ) (2022-10-10T12:35:02Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - 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) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。