Fugu-MT 論文翻訳(概要): Experimental Demonstration of an Optical Neural PDE Solver via On-Chip PINN Training

論文の概要: Experimental Demonstration of an Optical Neural PDE Solver via On-Chip PINN Training

arxiv url: http://arxiv.org/abs/2501.00742v1
Date: Wed, 01 Jan 2025 06:14:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-05 17:11:48.555554
Title: Experimental Demonstration of an Optical Neural PDE Solver via On-Chip PINN Training
Title（参考訳）: オンチップPINNトレーニングによる光学式ニューラルPDEソルバの実証実験
Authors: Yequan Zhao, Xian Xiao, Antoine Descos, Yuan Yuan, Xinling Yu, Geza Kurczveil, Marco Fiorentino, Zheng Zhang, Raymond G. Beausoleil,
Abstract要約: 偏微分方程式 (Partial differential equation, PDE) は、科学や工学において重要な数学ツールである。本稿では、物理インフォームドニューラルネットワークのバックプロパゲーションフリーオンフォトニックチップトレーニングを活用することにより、光学的ニューラルネットワークPDEソルバを実験的に実証する。
参考スコア（独自算出の注目度）: 6.678788713738275
License:
Abstract: Partial differential equation (PDE) is an important math tool in science and engineering. This paper experimentally demonstrates an optical neural PDE solver by leveraging the back-propagation-free on-photonic-chip training of physics-informed neural networks.
Abstract（参考訳）: 偏微分方程式 (Partial differential equation, PDE) は、科学や工学において重要な数学ツールである。本稿では、物理インフォームドニューラルネットワークのバックプロパゲーションフリーオンフォトニックチップトレーニングを活用することにより、光学的ニューラルネットワークPDEソルバを実験的に実証する。

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)
VS-PINN: A fast and efficient training of physics-informed neural networks using variable-scaling methods for solving PDEs with stiff behavior [0.0]
本稿では,変数スケーリング手法を用いたPINNのトレーニング手法を提案する。提案手法の有効性を実証し,PINNのトレーニング効率と性能を大幅に向上させることができることを確認した。
論文参考訳（メタデータ） (2024-06-10T14:11:15Z)
Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。 Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
論文参考訳（メタデータ） (2024-05-27T15:34:35Z)
Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks [17.69666422395703]
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)の解法において効率的であることが示されている。本稿では,物理インフォームド畳み込みニューラルネットワーク(PICNN)の厳密な解析を行い,球面上のPDEを解く。
論文参考訳（メタデータ） (2023-08-18T14:58:23Z)
SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition [24.422082821785487]
1つのニューラルネットワークは1つの偏微分方程式に対応する。実際には、私たちは通常、PDEのクラスを1つだけでなく1つのクラスで解決する必要があります。本稿では,特異ベクトルの保持と特異値の最適化によるPINNの転送学習手法を提案する。
論文参考訳（メタデータ） (2022-11-16T08:46:10Z)
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)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。 PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文参考訳（メタデータ） (2022-02-15T18:43:17Z)
PDE-constrained Models with Neural Network Terms: Optimization and Global Convergence [0.0]
近年の研究では、ディープラーニングを用いて、科学と工学における偏微分方程式(PDE)モデルを開発した。ニューラルネットワークを用いた線形楕円型PDEの最適化について厳密に研究する。ニューラルネットワークは,レイノルズ平均ナヴィエ・ストークス方程式の閉包モデルとして機能する流体力学への応用のために,ニューラルネットワークモデルを訓練する。
論文参考訳（メタデータ） (2021-05-18T16:04:33Z)
A Physics-Informed Neural Network Framework For Partial Differential Equations on 3D Surfaces: Time-Dependent Problems [3.3406650564566225]
時間依存性表面PDEのための物理情報処理ニューラルネットワークソルバを示す。 PINNの損失値が表面PDEの残余の指標となるように、表面微分作用素の簡略化された事前推定を示す。
論文参考訳（メタデータ） (2021-03-19T13:47:46Z)

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。