論文の概要: From PINNs to PIKANs: Recent Advances in Physics-Informed Machine Learning
- arxiv url: http://arxiv.org/abs/2410.13228v1
- Date: Thu, 17 Oct 2024 05:30:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:20:39.286522
- Title: From PINNs to PIKANs: Recent Advances in Physics-Informed Machine Learning
- Title（参考訳）: PINNからPIKANへ:物理インフォームド機械学習の最近の進歩
- Authors: Juan Diego Toscano, Vivek Oommen, Alan John Varghese, Zongren Zou, Nazanin Ahmadi Daryakenari, Chenxi Wu, George Em Karniadakis,
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、2017年に導入されて以来、サイエンティフィック機械学習の重要なツールとして現れてきた。
本稿では,ネットワーク設計,機能拡張,最適化技術,不確実性定量化,理論的洞察の改善に焦点を当てる。
また, バイオメディシン, 流体・固体力学, 物理, 力学系, 熱伝達, 化学工学など, 様々な分野の応用について検討した。
- 参考スコア（独自算出の注目度）: 1.413488665073795
- License:
- Abstract: Physics-Informed Neural Networks (PINNs) have emerged as a key tool in Scientific Machine Learning since their introduction in 2017, enabling the efficient solution of ordinary and partial differential equations using sparse measurements. Over the past few years, significant advancements have been made in the training and optimization of PINNs, covering aspects such as network architectures, adaptive refinement, domain decomposition, and the use of adaptive weights and activation functions. A notable recent development is the Physics-Informed Kolmogorov-Arnold Networks (PIKANS), which leverage a representation model originally proposed by Kolmogorov in 1957, offering a promising alternative to traditional PINNs. In this review, we provide a comprehensive overview of the latest advancements in PINNs, focusing on improvements in network design, feature expansion, optimization techniques, uncertainty quantification, and theoretical insights. We also survey key applications across a range of fields, including biomedicine, fluid and solid mechanics, geophysics, dynamical systems, heat transfer, chemical engineering, and beyond. Finally, we review computational frameworks and software tools developed by both academia and industry to support PINN research and applications.
- Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、2017年に導入されて以来、科学機械学習の重要なツールとして登場しており、スパース測定を用いて通常の微分方程式と偏微分方程式の効率的な解を可能にする。
過去数年間、ネットワークアーキテクチャ、適応的洗練、ドメイン分解、適応重みとアクティベーション関数の使用など、PINNのトレーニングと最適化において大きな進歩が見られた。
1957年にコルモゴロフが提唱した表現モデルを活用し、従来のPINNに代わる有望な代替手段を提供する物理インフォームド・コルモゴロフ・アルノルドネットワーク(PIKANS)が注目されている。
本稿では,ネットワーク設計,機能拡張,最適化技術,不確実性定量化,理論的洞察の改善に着目し,PINNの最近の進歩を概観する。
また, バイオメディシン, 流体・固体力学, 物理, 力学系, 熱伝達, 化学工学など, 様々な分野の応用について検討した。
最後に,学術・産業双方が開発した計算フレームワークとソフトウェアツールをレビューし,PINNの研究・応用を支援する。
関連論文リスト
- DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。
本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。
我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
論文 参考訳（メタデータ） (2024-08-12T22:53:14Z) - 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) - Architectural Strategies for the optimization of Physics-Informed Neural
Networks [30.92757082348805]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)における前方および逆問題に対処するための有望な道を提供する
その顕著な経験的成功にもかかわらず、PINNは様々なPDEで悪名高いトレーニング課題の評判を得た。
論文 参考訳（メタデータ） (2024-02-05T04:15:31Z) - On Physics-Informed Neural Networks for Quantum Computers [0.0]
物理インフォームドニューラルネットワーク(PINN)は、科学計算問題を解決する強力なツールとして登場した。
本稿では,QPU(Quantum Processing Unit)コプロセッサを用いたPINNの設計,実装,性能について検討する。
量子PINNの場合の探索学習環境は古典的なPINNほど効果的ではなく、基礎的なグラディエントDescent(SGD)アルゴリズムは適応性と高次Descentsより優れていることを示す。
論文 参考訳（メタデータ） (2022-09-28T11:10:29Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳（メタデータ） (2022-05-27T03:24:31Z) - Revisiting PINNs: Generative Adversarial Physics-informed Neural
Networks and Point-weighting Method [70.19159220248805]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する
本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。
本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
論文 参考訳（メタデータ） (2022-05-18T06:50:44Z) - Scientific Machine Learning through Physics-Informed Neural Networks:
Where we are and What's next [5.956366179544257]
physic-Informed Neural Networks (PINN) は、モデル方程式を符号化するニューラルネットワーク(NN)である。
PINNは現在ではPDE、分数方程式、積分微分方程式の解法として使われている。
論文 参考訳（メタデータ） (2022-01-14T19:05:44Z) - Physics-Informed Neural Networks (PINNs) for Parameterized PDEs: A
Metalearning Approach [13.590496719224987]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を識別する手段である
本稿では,モデルに依存しないメタラーニングについて調査し,PINNに適用したモデル認識メタラーニングについて考察する。
論文 参考訳（メタデータ） (2021-10-26T02:29:10Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z) - A deep learning framework for solution and discovery in solid mechanics [1.4699455652461721]
本稿では,物理情報ニューラルネットワーク(PINN)と呼ばれるディープラーニングのクラスを,固体力学の学習と発見に応用する。
本稿では, 運動量バランスと弾性の関係をPINNに組み込む方法について解説し, 線形弾性への応用について詳細に検討する。
論文 参考訳（メタデータ） (2020-02-14T08:24:53Z)
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。