Fugu-MT 論文翻訳(概要): Physics-Informed Neural Network for Concrete Manufacturing Process Optimization

論文の概要: Physics-Informed Neural Network for Concrete Manufacturing Process Optimization

arxiv url: http://arxiv.org/abs/2408.14502v2
Date: Wed, 28 Aug 2024 03:22:53 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 11:00:36.743639
Title: Physics-Informed Neural Network for Concrete Manufacturing Process Optimization
Title（参考訳）: コンクリート製造プロセス最適化のための物理インフォームニューラルネットワーク
Authors: Sam Varghese, Rahul Anand, Dr. Gaurav Paliwal,
Abstract要約: 本稿では、PINN(Physics Informed Neural Networks)が与えられた状況でどのように役立つかを明らかにする。この研究の結果は、PINNがデータセットを減らしてもどれだけうまく機能したかを強調している。
参考スコア（独自算出の注目度）: 0.8249694498830561
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Concrete manufacturing projects are one of the most common ones for consulting agencies. Because of the highly non-linear dependency of input materials like ash, water, cement, superplastic, etc; with the resultant strength of concrete, it gets difficult for machine learning models to successfully capture this relation and perform cost optimizations. This paper highlights how PINNs (Physics Informed Neural Networks) can be useful in the given situation. This state-of-the-art model shall also get compared with traditional models like Linear Regression, Random Forest, Gradient Boosting, and Deep Neural Network. Results of the research highlights how well PINNs performed even with reduced dataset, thus resolving one of the biggest issues of limited data availability for ML models. On an average, PINN got the loss value reduced by 26.3% even with 40% lesser data compared to the Deep Neural Network. In addition to predicting strength of the concrete given the quantity of raw materials, the paper also highlights the use of heuristic optimization method like Particle Swarm Optimization (PSO) in predicting quantity of raw materials required to manufacture concrete of given strength with least cost.
Abstract（参考訳）: コンクリート製造プロジェクトは、コンサルティング機関にとって最も一般的なプロジェクトの一つである。灰, 水, セメント, 超塑性などの入力材料の非線形依存性が高く, コンクリートの強度が高いことから, 機械学習モデルでは, この関係をうまく把握し, コスト最適化を行うのが困難になる。本稿では、PINN(Physics Informed Neural Networks)が与えられた状況でどのように役立つかを明らかにする。この最先端モデルは、線形回帰、ランダムフォレスト、グラディエントブースティング、ディープニューラルネットワークといった従来のモデルと比較される。調査の結果は、データセットが減ったとしてもPINNがいかにうまく機能したかを強調し、MLモデルの限られたデータ可用性に関する最大の課題の1つを解決した。 PINNは平均して、Deep Neural Networkに比べて40%少ないデータであっても、損失値を26.3%削減した。また, 材料量の予測に加えて, 粒子群最適化(PSO)などのヒューリスティック最適化手法を用いて, 与えられた強度のコンクリートを最小コストで製造するために必要な材料量の予測を行った。

関連論文リスト

LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
論文参考訳（メタデータ） (2024-01-26T05:23:11Z)
Optimizing Dense Feed-Forward Neural Networks [0.0]
本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。提案手法では,パラメータ数を70%以上圧縮できる。また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
論文参考訳（メタデータ） (2023-12-16T23:23:16Z)
Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文参考訳（メタデータ） (2023-06-28T18:14:22Z)
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-27T20:53:39Z)
DNNAbacus: Toward Accurate Computational Cost Prediction for Deep Neural Networks [0.9896984829010892]
本稿では,29の古典的ディープニューラルネットワークの計算資源要求を調査し,計算コストを予測するための正確なモデルを構築した。ネットワーク表現のための新しいネットワーク構造行列を用いた軽量な予測手法DNNAbacusを提案する。実験の結果, 平均相対誤差 (MRE) は時間に対して0.9%, メモリに関しては2.8%であった。
論文参考訳（メタデータ） (2022-05-24T14:21:27Z)
A Robust Approach for the Decomposition of High-Energy-Consuming Industrial Loads with Deep Learning [5.8053697840874525]
本稿では,産業用公園負荷(IPL)の負荷分解に着目した。 IPLでこの目標を達成するために、3つのアルゴリズムモデルからなるより堅牢なアプローチが開発されている。数値的な例から得られた結果は、従来の分解過程において、この手法が最先端の手法よりも優れていることを示している。
論文参考訳（メタデータ） (2022-03-11T07:11:52Z)
Low-Precision Training in Logarithmic Number System using Multiplicative Weight Update [49.948082497688404]
大規模ディープニューラルネットワーク(DNN)のトレーニングは、現在かなりの量のエネルギーを必要としており、深刻な環境影響をもたらす。エネルギーコストを削減するための有望なアプローチの1つは、DNNを低精度で表現することである。対数数システム(LNS)と乗算重み更新訓練法(LNS-Madam)を併用した低精度トレーニングフレームワークを共同で設計する。
論文参考訳（メタデータ） (2021-06-26T00:32:17Z)
Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文参考訳（メタデータ） (2021-06-15T17:22:59Z)
SuperMeshing: A New Deep Learning Architecture for Increasing the Mesh Density of Metal Forming Stress Field with Attention Mechanism and Perceptual Features [1.0660502023086995]
我々はSuperMeshingNetという新しいデータ駆動メッシュ密度向上モデルを提案する。ディープラーニングモデルへの入力としてメッシュ密度の低い有限要素解析(FEA)の利点を強化する。線形法を適用したベースラインと比較して、SuperMeshingNetはテストデータの平均二乗誤差(MSE)と平均絶対誤差(MAE)を顕著に低減する。
論文参考訳（メタデータ） (2021-03-12T06:02:30Z)
Learning from Sparse Datasets: Predicting Concrete's Strength by Machine Learning [2.350486334305103]
データ駆動機械学習は、コンクリートの混合比と強度の間の複雑で非線形で非付加的な関係を扱うことを約束している。ここでは、データセットの大きさの関数として具体的な強度を確実に予測する方法を「学習」するMLアルゴリズムを選択する能力の比較を行う。
論文参考訳（メタデータ） (2020-04-29T18:06:07Z)
Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。