論文の概要: Integrating Symbolic Neural Networks with Building Physics: A Study and Proposal

• arxiv url: http://arxiv.org/abs/2411.00800v1
• Date: Sun, 20 Oct 2024 08:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 12:31:13.554083
• Title: Integrating Symbolic Neural Networks with Building Physics: A Study and Proposal
• Title（参考訳）: シンボリックニューラルネットワークと建築物理の統合 : 研究と提案
• Authors: Xia Chen, Guoquan Lv, Xinwei Zhuang, Carlos Duarte, Stefano Schiavon, Philipp Geyer,
• Abstract要約: Kolmogorov-Arnold Networks (KAN)のようなシンボリックニューラルネットワークは、事前知識とデータ駆動手法を統合する上で有望なアプローチを提供する。 本研究では, 予測モデリング, 知識発見, 連続学習に焦点をあて, 物理学構築におけるkanの適用について検討する。
• 参考スコア（独自算出の注目度）: 1.160352509486639
• License:
• Abstract: Symbolic neural networks, such as Kolmogorov-Arnold Networks (KAN), offer a promising approach for integrating prior knowledge with data-driven methods, making them valuable for addressing inverse problems in scientific and engineering domains. This study explores the application of KAN in building physics, focusing on predictive modeling, knowledge discovery, and continuous learning. Through four case studies, we demonstrate KAN's ability to rediscover fundamental equations, approximate complex formulas, and capture time-dependent dynamics in heat transfer. While there are challenges in extrapolation and interpretability, we highlight KAN's potential to combine advanced modeling methods for knowledge augmentation, which benefits energy efficiency, system optimization, and sustainability assessments beyond the personal knowledge constraints of the modelers. Additionally, we propose a model selection decision tree to guide practitioners in appropriate applications for building physics.
• Abstract（参考訳）: Kolmogorov-Arnold Networks (KAN)のようなシンボリックニューラルネットワークは、事前知識をデータ駆動手法に統合するための有望なアプローチを提供する。 本研究では, 予測モデリング, 知識発見, 連続学習に焦点をあて, 物理学構築におけるkanの適用について検討する。 4つのケーススタディを通じて、カンは基本的な方程式を再発見し、複素数式を近似し、熱伝達における時間依存性のダイナミクスを捉える能力を示した。 補外化や解釈可能性には課題があるが、エネルギー効率、システム最適化、持続可能性評価をモデリング者の個人的知識制約を超えて活用する知識増強のための高度なモデリング手法を組み合わせる可能性を強調している。 さらに,物理構築に適切な応用を実践者に与えるためのモデル選択決定木を提案する。

関連論文リスト

• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• Can Kans (re)discover predictive models for Direct-Drive Laser Fusion? [11.261403205522694]
  レーザー融合の領域は、機械学習手法のためのユニークで挑戦的な予測モデリングアプリケーションランドスケープを示す。 データ駆動型アプローチは、物理学の期待に沿う望ましい一般化能力とモデル解釈を達成するために、過去に成功してきた。 本研究では,新しいタイプのデータ駆動予測モデルの開発において,PILの代替としてKAN(Kolmogorov-Arnold Networks)を用いた。
  論文  参考訳（メタデータ） (2024-09-13T13:48:06Z)
• KAN-ODEs: Kolmogorov-Arnold Network Ordinary Differential Equations for Learning Dynamical Systems and Hidden Physics [0.0]
  コルモゴロフ・アルノルドネットワーク(KAN)は多層パーセプトロン(MLP)の代替品である この研究は、Kansをニューラル常微分方程式(ODE)フレームワークのバックボーンとして適用する。
  論文  参考訳（メタデータ） (2024-07-05T00:38:49Z)
• Physics-informed Generalizable Wireless Channel Modeling with Segmentation and Deep Learning: Fundamentals, Methodologies, and Challenges [26.133092114053472]
  チャネルモデリングにおけるPINNに基づくアプローチは、一般化可能性、解釈可能性、堅牢性などの有望な特性を示す。 セマンティックセグメンテーションとディープラーニングを用いた屋内チャネルの正確な予測に関する最近の研究事例について述べる。
  論文  参考訳（メタデータ） (2024-01-02T16:56:13Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• A Survey on Physics Informed Reinforcement Learning: Review and Open Problems [25.3906503332344]
  本稿では,強化学習アプローチにおける物理情報の導入に関する文献を概説する。 既存の研究を分類するためのバックボーンとして強化学習パイプラインを用いた新しい分類法を導入する。 この初期段階の分野は、実世界のシナリオにおける物理的な妥当性、精度、データ効率、適用性を高めて強化学習アルゴリズムを強化する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-09-05T02:45:18Z)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)

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。