論文の概要: Input convex neural networks: universal approximation theorem and implementation for isotropic polyconvex hyperelastic energies
- arxiv url: http://arxiv.org/abs/2502.08534v1
- Date: Wed, 12 Feb 2025 16:15:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:45:35.387221
- Title: Input convex neural networks: universal approximation theorem and implementation for isotropic polyconvex hyperelastic energies
- Title(参考訳): 入力凸ニューラルネットワーク:普遍近似定理と等方性多凸超弾性エネルギーの実装
- Authors: Gian-Luca Geuken, Patrick Kurzeja, David Wiedemann, Jörn Mosler,
- Abstract要約: 本稿では,普遍的な数学的制約を同時に満たしながら,必要な物理的制約と数学的制約を強制する新しい枠組みを提案する。
提案されたアプローチに対する普遍的な定理が証明されている。
提案したネットワークは任意のフレームイン、等方性多エネルギー(ネットワークが大きければ)が可能である。
既存の手法は提案手法の利点を識別する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This paper presents a novel framework of neural networks for isotropic hyperelasticity that enforces necessary physical and mathematical constraints while simultaneously satisfying the universal approximation theorem. The two key ingredients are an input convex network architecture and a formulation in the elementary polynomials of the signed singular values of the deformation gradient. In line with previously published networks, it can rigorously capture frame-indifference and polyconvexity - as well as further constraints like balance of angular momentum and growth conditions. However and in contrast to previous networks, a universal approximation theorem for the proposed approach is proven. To be more explicit, the proposed network can approximate any frame-indifferent, isotropic polyconvex energy (provided the network is large enough). This is possible by working with a sufficient and necessary criterion for frame-indifferent, isotropic polyconvex functions. Comparative studies with existing approaches identify the advantages of the proposed method, particularly in approximating non-polyconvex energies as well as computing polyconvex hulls.
- Abstract(参考訳): 本稿では,等方性超弾性に対するニューラルネットワークの新しい枠組みを提案する。
2つの重要な要素は、入力凸ネットワークアーキテクチャと、変形勾配の符号付き特異値の基本多項式の定式化である。
以前公開されたネットワークに合わせて、フレーム差分と多凸性を厳密に捉え、角運動量と成長条件のバランスのようなさらなる制約を捉えることができる。
しかし、従来のネットワークとは対照的に、提案手法の普遍近似定理が証明されている。
より明確にするために、提案したネットワークは、フレーム差のない等方性多凸エネルギーを近似することができる(ネットワークが十分に大きいと仮定される)。
これは、フレーム非微分等方的多凸関数に対する十分かつ必要な基準で作業することで可能である。
既存手法との比較研究は, 提案手法の利点, 特に非ポリコンベックスエネルギーの近似, およびポリコンベックス殻の計算における利点を明らかにしている。
関連論文リスト
- A Unified Theory of Stochastic Proximal Point Methods without Smoothness [52.30944052987393]
近点法はその数値的安定性と不完全なチューニングに対する頑健性からかなりの関心を集めている。
本稿では,近位点法(SPPM)の幅広いバリエーションの包括的解析について述べる。
論文 参考訳(メタデータ) (2024-05-24T21:09:19Z) - The Convex Landscape of Neural Networks: Characterizing Global Optima
and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。
本稿では,凸型神経回復モデルについて検討する。
定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文 参考訳(メタデータ) (2023-12-19T23:04:56Z) - A mixed formulation for physics-informed neural networks as a potential
solver for engineering problems in heterogeneous domains: comparison with
finite element method [0.0]
物理インフォームドニューラルネットワーク(PINN)は、与えられた境界値問題の解を見つけることができる。
工学的問題における既存のPINNの性能を高めるために,有限要素法(FEM)からいくつかのアイデアを取り入れた。
論文 参考訳(メタデータ) (2022-06-27T08:18:08Z) - CENN: Conservative energy method based on neural network with subdomains
for solving heterogeneous problems involving complex geometries [6.782934398825898]
ニューラルネットワークを用いた保守的エネルギー手法(CENN)を提案する。
境界ペナルティのない必須境界条件を満たす許容関数は、放射基底関数、特に解ニューラルネットワーク、一般ニューラルネットワークによって構成される。
提案手法をいくつかの代表例に適用し, 強い不連続性, 特異性, 複素境界, 非線型および不均一なPDE問題をモデル化する能力を示す。
論文 参考訳(メタデータ) (2021-09-25T09:52:51Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Robust normalizing flows using Bernstein-type polynomials [31.533158456141305]
正規化フロー(NFs)は、正確な密度評価とサンプリングを可能にする生成モデルのクラスである。
三角写像とベルンシュタイン型の増大に基づくNFを構築するための枠組みを提案する。
実世界のデータセットと合成データセットの両方を用いた実験により,提案手法の有効性を実証的に実証した。
論文 参考訳(メタデータ) (2021-02-06T04:32:05Z) - Universal Approximation Power of Deep Residual Neural Networks via
Nonlinear Control Theory [9.210074587720172]
我々は、幾何学的非線形制御により、ディープ残差ニューラルネットワークの普遍近似能力を説明する。
残余ネットワークと制御システムとのリンクを確立する最近の研究に触発されて、残余ネットワークが普遍近似の力を持つための一般的な条件を提供する。
論文 参考訳(メタデータ) (2020-07-12T14:53:30Z) - Generalization bound of globally optimal non-convex neural network
training: Transportation map estimation by infinite dimensional Langevin
dynamics [50.83356836818667]
本稿では,ディープラーニングの最適化を一般化誤差と関連づけて解析する理論フレームワークを提案する。
ニューラルネットワーク最適化分析のための平均場理論やニューラル・タンジェント・カーネル理論のような既存のフレームワークは、そのグローバル収束を示すために、ネットワークの無限幅の限界を取る必要がある。
論文 参考訳(メタデータ) (2020-07-11T18:19:50Z) - Neural Operator: Graph Kernel Network for Partial Differential Equations [57.90284928158383]
この作業はニューラルネットワークを一般化し、無限次元空間(演算子)間の写像を学習できるようにすることである。
非線形活性化関数と積分作用素のクラスを構成することにより、無限次元写像の近似を定式化する。
実験により,提案したグラフカーネルネットワークには所望の特性があり,最先端技術と比較した場合の競合性能を示すことが確認された。
論文 参考訳(メタデータ) (2020-03-07T01:56:20Z) - Neural Proximal/Trust Region Policy Optimization Attains Globally
Optimal Policy [119.12515258771302]
オーバーパラメトリゼーションを備えたPPOOの変種が,グローバルな最適ネットワークに収束することを示す。
我々の分析の鍵は、1次元の単調性の概念の下で無限勾配の反復であり、そこでは勾配はネットワークによって瞬く。
論文 参考訳(メタデータ) (2019-06-25T03:20:04Z)
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。