Fugu-MT 論文翻訳(概要): Physics-Informed Neural Networks and Extensions

論文の概要: Physics-Informed Neural Networks and Extensions

arxiv url: http://arxiv.org/abs/2408.16806v1
Date: Thu, 29 Aug 2024 16:00:42 GMT
ステータス: 処理完了
システム内更新日: 2024-09-02 17:28:49.075871
Title: Physics-Informed Neural Networks and Extensions
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拡張
Authors: Maziar Raissi, Paris Perdikaris, Nazanin Ahmadi, George Em Karniadakis,
Abstract要約: 本稿では,科学機械学習の柱となった新しい物理情報ニューラルネットワーク(PINN)について概説する。本稿では、近年の実践的拡張について述べるとともに、データ駆動型微分方程式の発見の具体例を示す。
参考スコア（独自算出の注目度）: 5.176594015608181
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we review the new method Physics-Informed Neural Networks (PINNs) that has become the main pillar in scientific machine learning, we present recent practical extensions, and provide a specific example in data-driven discovery of governing differential equations.
Abstract（参考訳）: 本稿では、科学機械学習の柱となった新しい物理情報ニューラルネットワーク(PINN)について概説し、近年の実践的拡張について述べるとともに、データ駆動による微分方程式の発見の具体例を示す。

関連論文リスト

Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
論文参考訳（メタデータ） (2024-10-02T14:38:37Z)
A singular Riemannian Geometry Approach to Deep Neural Networks III. Piecewise Differentiable Layers and Random Walks on $n$-dimensional Classes [49.32130498861987]
本稿ではReLUのような非微分可能活性化関数の事例について検討する。最近の2つの研究は、ニューラルネットワークを研究するための幾何学的枠組みを導入した。本稿では,画像の分類と熱力学問題に関する数値実験を行った。
論文参考訳（メタデータ） (2024-04-09T08:11:46Z)
Can physical information aid the generalization ability of Neural Networks for hydraulic modeling? [0.0]
河川水理学へのニューラルネットワークの適用は、データ不足に苦しむ分野にもかかわらず、未熟である。本稿では,トレーニングフェーズに物理情報を導入することで,そのような問題を緩和することを提案する。このようなソフトな物理情報を組み込むことで予測能力を向上できることを示す。
論文参考訳（メタデータ） (2024-03-13T14:51:16Z)
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)
Regression-based Physics Informed Neural Networks (Reg-PINNs) for Magnetopause Tracking [0.0]
本稿では,物理に基づく数値計算とバニラ機械学習を組み合わせた回帰型物理情報ニューラルネットワーク(Reg-PINN)を提案する。シュエらと比較すると,1998年モデルでは根平均二乗誤差が約30%減少する。
論文参考訳（メタデータ） (2023-06-16T04:28:57Z)
Deep neural networks architectures from the perspective of manifold learning [0.0]
本稿では,ゲノメトリとトポロジの観点から,ニューラルネットワークアーキテクチャの包括的比較と記述を行う。我々は、ニューラルネットワークの内部表現と、異なる層上のデータ多様体のトポロジーと幾何学の変化のダイナミクスに焦点を当てる。
論文参考訳（メタデータ） (2023-06-06T04:57:39Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
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)
Physics-informed ConvNet: Learning Physical Field from a Shallow Neural Network [0.180476943513092]
マルチ物理システムのモデル化と予測は、避けられないデータ不足とノイズのために依然として課題である。物理インフォームド・コンボリューション・ネットワーク(PICN)と呼ばれる新しいフレームワークは、CNNの観点から推奨されている。 PICNは物理インフォームド機械学習において、代替のニューラルネットワークソルバとなる可能性がある。
論文参考訳（メタデータ） (2022-01-26T14:35:58Z)
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)
Developing Constrained Neural Units Over Time [81.19349325749037]
本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
論文参考訳（メタデータ） (2020-09-01T09:07:25Z)

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。