Fugu-MT 論文翻訳(概要): Guaranteeing Conservation Laws with Projection in Physics-Informed Neural Networks

論文の概要: Guaranteeing Conservation Laws with Projection in Physics-Informed Neural Networks

arxiv url: http://arxiv.org/abs/2410.17445v1
Date: Tue, 22 Oct 2024 21:46:55 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-24 13:55:26.992022
Title: Guaranteeing Conservation Laws with Projection in Physics-Informed Neural Networks
Title（参考訳）: 物理インフォームドニューラルネットワークにおける予測による保全法則の保証
Authors: Anthony Baez, Wang Zhang, Ziwen Ma, Subhro Das, Lam M. Nguyen, Luca Daniel,
Abstract要約: 本稿では,新しいプロジェクション法を用いて保全法を施行するPINN-Projを提案する。その結果, PINN-Projは, 運動量保存においてPINNを著しく上回り, 予測誤差を3～4桁下げた。
参考スコア（独自算出の注目度）: 25.752834777319386
License:
Abstract: Physics-informed neural networks (PINNs) incorporate physical laws into their training to efficiently solve partial differential equations (PDEs) with minimal data. However, PINNs fail to guarantee adherence to conservation laws, which are also important to consider in modeling physical systems. To address this, we proposed PINN-Proj, a PINN-based model that uses a novel projection method to enforce conservation laws. We found that PINN-Proj substantially outperformed PINN in conserving momentum and lowered prediction error by three to four orders of magnitude from the best benchmark tested. PINN-Proj also performed marginally better in the separate task of state prediction on three PDE datasets.
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、物理法則をトレーニングに取り入れ、最小データで偏微分方程式(PDE)を効率的に解く。しかし、PINNは、物理システムのモデリングにおいても考慮すべき保存法則の遵守を保証できない。そこで我々は,新しいプロジェクション法を用いて保全法を施行するPINN-Projを提案する。その結果, PINN-Projは, 運動量保存においてPINNを著しく上回り, 予測誤差を3～4桁下げた。 PINN-Projはまた、3つのPDEデータセットの状態を予測する別のタスクにおいて、わずかに改善した。

関連論文リスト

RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
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)の解法として広く応用されている。本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
論文参考訳（メタデータ） (2024-05-23T09:45:57Z)
Densely Multiplied Physics Informed Neural Networks [1.8554335256160261]
物理インフォームドニューラルネットワーク(PINN)は非線形偏微分方程式(PDE)を扱う大きな可能性を示している本稿では,PINNの性能向上のためにニューラルネットワークアーキテクチャを改良する。本稿では,隠れたレイヤの出力と隠れたレイヤの出力とを乗算する,密乗型PINN(DM-PINN)アーキテクチャを提案する。
論文参考訳（メタデータ） (2024-02-06T20:45:31Z)
Structure-Preserving Physics-Informed Neural Networks With Energy or Lyapunov Structure [9.571966961251347]
本稿では,構造保存型PINNを提案し,その性能を向上し,下流タスクへの適用範囲を広げる。構造保存型PINNを用いたロバスト画像認識のためのフレームワークを提案する。実験により,提案手法は偏微分方程式に対するPINNの数値精度を向上することを示した。
論文参考訳（メタデータ） (2024-01-10T08:02:38Z)
Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文参考訳（メタデータ） (2023-04-27T17:42:24Z)
FO-PINNs: A First-Order formulation for Physics Informed Neural Networks [1.8874301050354767]
物理インフォームドニューラルネットワーク(英: Physics-Informed Neural Networks、PINN)は、物理システムの応答をシミュレーションデータなしで学習するディープラーニングニューラルネットワークのクラスである。 PINNは前方および逆問題の解決に有効であるが、パラメータ化システムでは精度が大幅に低下する。 PDE損失関数の1次定式化を用いてトレーニングした1次物理学情報ニューラルネットワーク(FO-PINN)を提案する。
論文参考訳（メタデータ） (2022-10-25T20:25:33Z)
Enforcing Continuous Physical Symmetries in Deep Learning Network for Solving Partial Differential Equations [3.6317085868198467]
我々は,PDEのリー対称性によって誘導される不変表面条件をPINNの損失関数に組み込む,新しい対称性を持つ物理情報ニューラルネットワーク(SPINN)を提案する。 SPINNは、トレーニングポイントが少なく、ニューラルネットワークのよりシンプルなアーキテクチャで、PINNよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-06-19T00:44:22Z)
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)
Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文参考訳（メタデータ） (2021-11-06T03:41:34Z)
Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。