論文の概要: Physics-Based Dynamic Models Hybridisation Using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2412.07514v2
• Date: Tue, 24 Dec 2024 13:40:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:51:34.031053
• Title: Physics-Based Dynamic Models Hybridisation Using 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を用いた物理モデルと動的ハイブリッド化
• Authors: Branislava Lalic, Dinh Viet Cuong, Mina Petric, Vladimir Pavlovic, Ana Firanj Sremac, Mark Roantree,
• Abstract要約: 物理に基づく力学モデル(PBDM)は複雑な力学系の単純化された表現である。 ハイブリッド蚊群動態モデルがPBDMと物理インフォームドニューラルネットワーク(PINN)を統合していることを示す。 蚊の個体数予測の困難さを含む,蚊の個体数シミュレーションを改良した。
• 参考スコア（独自算出の注目度）: 5.585625844344932
• License:
• Abstract: Physics-based dynamic models (PBDMs) are simplified representations of complex dynamical systems. PBDMs take specific processes within a complex system and assign a fragment of variables and an accompanying set of parameters to depict the processes. As this often leads to suboptimal parameterisation of the system, a key challenge requires refining the empirical parameters and variables to reduce uncertainties while maintaining the model s explainability and enhancing its predictive accuracy. We demonstrate that a hybrid mosquito population dynamics model, which integrates a PBDM with Physics-Informed Neural Networks (PINN), retains the explainability of the PBDM by incorporating the PINN-learned model parameters in place of its empirical counterparts. Specifically, we address the limitations of traditional PBDMs by modelling the parameters of larva and pupa development rates using a PINN that encodes complex, learned interactions of air temperature, precipitation and humidity. Our results demonstrate improved mosquito population simulations including the difficult-to-predict mosquito population peaks. This opens the possibility of hybridisation concept application on other complex systems based on PBDMs such as cancer growth to address the challenges posed by scarce and noisy data, and to numerical weather prediction and climate modelling to overcome the gap between physics-based and data-driven weather prediction models.
• Abstract（参考訳）: 物理に基づく力学モデル(PBDM)は複雑な力学系の単純化された表現である。 PBDMは複雑なシステム内で特定のプロセスを取り、変数の断片と関連するパラメータのセットを割り当て、プロセスを記述する。 これはしばしばシステムの最適下パラメータ化につながるため、モデルの説明可能性を維持し、予測精度を高めながら不確実性を低減するために経験的パラメータと変数を精査する必要がある。 本研究では,PBDMとPhysical-Informed Neural Networks (PINN)を統合したハイブリッド蚊群動態モデルが,実証的なパラメータの代わりにPINN学習モデルパラメータを組み込むことでPBDMの説明可能性を維持することを示した。 具体的には, 空気温度, 降水量, 湿度の複雑な相互作用を符号化したPINNを用いて, 幼虫と幼虫の発生率のパラメータをモデル化することにより, 従来のPBDMの限界に対処する。 本研究は, 蚊の個体数予測の困難さを含む, 蚊の個体数シミュレーションの改善を実証した。 これにより,PBDMをベースとした他の複雑なシステムへのハイブリダイゼーションの概念の適用が可能となり,不足データやノイズデータによる課題への対処や,物理ベースの気象予測モデルとデータ駆動気象予測モデルとのギャップを克服するための数値気象予測と気候モデルが実現される。

関連論文リスト

• Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
  我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。 提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T19:05:28Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Reduced order modeling of parametrized systems through autoencoders and SINDy approach: continuation of periodic solutions [0.0]
  本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。 提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。 これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
  論文  参考訳（メタデータ） (2022-11-13T01:57:18Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Conditionally Parameterized, Discretization-Aware Neural Networks for Mesh-Based Modeling of Physical Systems [0.0]
  入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。 条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。 CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
  論文  参考訳（メタデータ） (2021-09-15T20:21:13Z)
• Deep neural network enabled corrective source term approach to hybrid analysis and modeling [0.0]
  ハイブリッド分析モデリング(Hybrid Analysis and Modeling, HAM)は、物理に基づくモデリングとデータ駆動モデリングを組み合わせることを目的とした、新しいモデリングパラダイムである。 補正元項アプローチ(CoSTA)のHAMに対する新しいアプローチを導入し、正当化し、実証する。
  論文  参考訳（メタデータ） (2021-05-24T20:17:13Z)
• Prediction with Approximated Gaussian Process Dynamical Models [7.678864239473703]
  我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。 結果は、近似モデルのパワーを示す数値的な例で示される。
  論文  参考訳（メタデータ） (2020-06-25T16:51:17Z)

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。