論文の概要: Inferring Underwater Topography with FINN

• arxiv url: http://arxiv.org/abs/2408.10649v1
• Date: Tue, 20 Aug 2024 08:42:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 14:34:27.200963
• Title: Inferring Underwater Topography with FINN
• Title（参考訳）: FINNによる水中地形の推定
• Authors: Coşku Can Horuz, Matthias Karlbauer, Timothy Praditia, Sergey Oladyshkin, Wolfgang Nowak, Sebastian Otte,
• Abstract要約: 有限体積ニューラルネットワーク(FINN)は、データの潜在構造を明らかにする上で特に効率的であることが証明されている。 その結果,FINNは波動力学のみから地形を推測する能力に優れていたことが判明した。
• 参考スコア（独自算出の注目度）: 4.468029447198862
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatiotemporal partial differential equations (PDEs) find extensive application across various scientific and engineering fields. While numerous models have emerged from both physics and machine learning (ML) communities, there is a growing trend towards integrating these approaches to develop hybrid architectures known as physics-aware machine learning models. Among these, the finite volume neural network (FINN) has emerged as a recent addition. FINN has proven to be particularly efficient in uncovering latent structures in data. In this study, we explore the capabilities of FINN in tackling the shallow-water equations, which simulates wave dynamics in coastal regions. Specifically, we investigate FINN's efficacy to reconstruct underwater topography based on these particular wave equations. Our findings reveal that FINN exhibits a remarkable capacity to infer topography solely from wave dynamics, distinguishing itself from both conventional ML and physics-aware ML models. Our results underscore the potential of FINN in advancing our understanding of spatiotemporal phenomena and enhancing parametrization capabilities in related domains.
• Abstract（参考訳）: 時空間偏微分方程式(PDE)は、様々な科学・工学分野に広く応用されている。 物理と機械学習(ML)の両方のコミュニティから多くのモデルが生まれてきたが、物理を意識した機械学習モデルとして知られるハイブリッドアーキテクチャを開発するために、これらのアプローチを統合する傾向が高まっている。 これらのうち、最近の追加として有限体積ニューラルネットワーク(FINN)が出現している。 FINNはデータの潜在構造を明らかにするのに特に効率的であることが証明されている。 本研究では,沿岸域の波動動態をシミュレートする浅水式を扱うFINNの機能について検討した。 具体的には,これらの波動方程式に基づいて海底地形を再構成するFINNの有効性について検討する。 その結果、FINNは、従来のMLモデルと物理認識MLモデルとを区別して、波動力学のみから地形を推測する優れた能力を示すことが明らかとなった。 本研究は, 時空間現象の理解を深め, 関連領域におけるパラメトリゼーション能力を高めるためのFINNの可能性を明らかにするものである。

関連論文リスト

• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
  本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。 基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
  論文  参考訳（メタデータ） (2024-12-18T14:39:43Z)
• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
  平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。 シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。 本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
  論文  参考訳（メタデータ） (2024-02-09T09:40:12Z)
• Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
  本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。 主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
  論文  参考訳（メタデータ） (2023-09-27T15:41:12Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• SeismicNet: Physics-informed neural networks for seismic wave modeling in semi-infinite domain [11.641708412097659]
  半無限領域における地震波モデリング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(PINN)モデルを提案する。 計算効率の面では、ネットワークのスケーラビリティと解の精度を向上させるために、時間領域分解による逐次訓練戦略を検討する。 提案したPINNモデルの性能を評価するために,様々な数値実験が実施されている。
  論文  参考訳（メタデータ） (2022-10-25T14:25:07Z)
• Composing Partial Differential Equations with Physics-Aware Neural Networks [0.831246680772592]
  本稿では,吸着拡散過程を学習するための物理認識ニューラルネットワーク(FINN)を提案する。 平均的なパラメータの10分の1しか持たないFINNは、機械学習やその他の最先端の物理認識モデルよりも優れています。
  論文  参考訳（メタデータ） (2021-11-23T11:27:13Z)
• Spin many-body phases in standard and topological waveguide QED simulators [68.8204255655161]
  導波路QEDセットアップを用いた量子スピンモデルの多体挙動について検討する。 他のプラットフォームで得られたものとは異なる、新しい多体フェーズが見つかる。
  論文  参考訳（メタデータ） (2021-06-22T09:44:20Z)
• Frequency-compensated PINNs for Fluid-dynamic Design Problems [3.0168882791480978]
  シミュレーション出力と基礎となる幾何学と境界条件の関係を学習するための物理インフォームドニューラルネットワーク(PINN)アーキテクチャを提案する。 物理に基づく正規化項の使用に加えて、提案手法は基礎となる物理を利用して、周波数と位相パラメータといったフーリエ特徴の集合を学ぶ。 提案手法は,範囲時間間隔内および設計条件内におけるシミュレーション結果を予測し,本手法を実証する。
  論文  参考訳（メタデータ） (2020-11-03T03:56:41Z)

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。