論文の概要: Bayesian Physics Informed Neural Networks for Linear Inverse problems
- arxiv url: http://arxiv.org/abs/2502.13827v1
- Date: Tue, 18 Feb 2025 14:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 13:58:36.699173
- Title: Bayesian Physics Informed Neural Networks for Linear Inverse problems
- Title(参考訳): 線形逆問題に対するベイズ物理学インフォームドニューラルネットワーク
- Authors: Ali Mohammad-Djafari,
- Abstract要約: 逆問題は科学や工学において発生し、間接的な観測から量の推測を行う必要がある。
BPINNの概念は、物理法則とディープラーニング技術を統合して、速度、精度、効率を向上させる。
本研究は,訓練段階における教師なしと教師なしの2症例について考察し,未知変数の後方確率の式を求め,NNパラメータの後方法則を導出する。
- 参考スコア(独自算出の注目度): 1.30536490219656
- License:
- Abstract: Inverse problems arise almost everywhere in science and engineering where we need to infer on a quantity from indirect observation. The cases of medical, biomedical, and industrial imaging systems are the typical examples. A very high overview of classification of the inverse problems method can be: i) Analytical, ii) Regularization, and iii) Bayesian inference methods. Even if there are straight links between them, we can say that the Bayesian inference based methods are the most powerful, as they give the possibility of accounting for prior knowledge and can account for errors and uncertainties in general. One of the main limitations stay in computational costs in particular for high dimensional imaging systems. Neural Networks (NN), and in particular Deep NNs (DNN), have been considered as a way to push farther this limit. Physics Informed Neural Networks (PINN) concept integrates physical laws with deep learning techniques to enhance the speed, accuracy and efficiency of the above mentioned problems. In this work, a new Bayesian framework for the concept of PINN (BPINN) is presented and discussed which includes the deterministic one if we use the Maximum A Posteriori (MAP) estimation framework. We consider two cases of supervised and unsupervised for training step, obtain the expressions of the posterior probability of the unknown variables, and deduce the posterior laws of the NN's parameters. We also discuss about the challenges of implementation of these methods in real applications.
- Abstract(参考訳): 逆問題はほとんど科学や工学の至るところで発生し、間接的な観測から量の推測を行う必要がある。
医療、バイオメディカル、産業用イメージングシステムの例が典型例である。
逆問題法の分類の非常に高い概要は次の通りである。
一 分析的
二 正規化、及び
三 ベイズ推論方法
たとえそれらの間に直接的なリンクがあるとしても、ベイズ推論に基づく手法が最も強力であると言える。
主な制限の一つは、特に高次元イメージングシステムにおける計算コストである。
ニューラルネットワーク(NN)、特にディープNN(DNN)は、この限界を超える方法として検討されている。
物理情報ニューラルネットワーク(PINN)の概念は、物理法則とディープラーニング技術を統合し、上記の問題の速度、精度、効率を向上させる。
本稿では, PINN (BPINN) の概念に関する新たなベイズ的枠組みについて述べる。
本研究は,訓練段階における教師なしと教師なしの2つの事例について考察し,未知変数の後方確率の式を求め,NNパラメータの後方法則を導出する。
また,これらの手法を実アプリケーションで実装する際の課題についても論じる。
関連論文リスト
- Improving PINNs By Algebraic Inclusion of Boundary and Initial Conditions [0.1874930567916036]
AI for Science」は、AI技術を用いた基本的な科学的問題を解決することを目的としている。
本研究では、トレーニング対象のモデルを単にニューラルネットワークから非線形変換に変更する可能性について検討する。
これにより、損失関数の項数は標準のPINN損失よりも減少する。
論文 参考訳(メタデータ) (2024-07-30T11:19:48Z) - Bayesian Neural Networks with Domain Knowledge Priors [52.80929437592308]
ドメイン知識の一般的な形式をBNNに組み込むためのフレームワークを提案する。
提案したドメイン知識を用いたBNNは,標準知識のBNNよりも優れていることを示す。
論文 参考訳(メタデータ) (2024-02-20T22:34:53Z) - Correctness Verification of Neural Networks Approximating Differential
Equations [0.0]
ニューラルネットワーク(NN)は部分微分方程式(PDE)の解を近似する
NNはシミュレーションソフトウェアツールの不可欠な部分となり、複雑な動的システムのシミュレーションを100回以上加速することができる。
この研究は、NN微分を有限差分近似として定義することにより、これらの関数の検証に対処する。
初めて、出力領域の事前知識のないNN関数のバウンダリング問題に取り組む。
論文 参考訳(メタデータ) (2024-02-12T12:55:35Z) - Deep Learning and Bayesian inference for Inverse Problems [8.315530799440554]
我々は,特に逆問題に適応したNN,DL,具体的にはベイズDLに焦点を当てる。
第一に、フォワード演算子が物理学制約として知られ、使用される場合、第二に、より一般的なデータ駆動型DL法である。
論文 参考訳(メタデータ) (2023-08-28T04:27:45Z) - Efficient Bayesian Physics Informed Neural Networks for Inverse Problems
via Ensemble Kalman Inversion [0.0]
本稿では,高次元推論タスクにEnsemble Kalman Inversion (EKI) を用いるB-PINNの新しい効率的な推論アルゴリズムを提案する。
提案手法は,ハミルトン・モンテカルロ (HMC) ベースのB-PINNに匹敵する情報的不確実性を推定し,計算コストを大幅に削減できることを示す。
論文 参考訳(メタデータ) (2023-03-13T18:15:26Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Error-Aware B-PINNs: Improving Uncertainty Quantification in Bayesian
Physics-Informed Neural Networks [2.569295887779268]
不確実性定量化(UQ)は、PINNの文脈で現れ始めている。
本稿では,B-PINNと未知の真の解との相違を考慮したベイズPINN(B-PINN)におけるUQフレームワークを提案する。
線形力学系におけるPINNの誤差境界に関する最近の結果を利用して、線形ODEのクラスにおける予測の不確かさを実証する。
論文 参考訳(メタデータ) (2022-12-14T01:15:26Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳(メタデータ) (2021-09-29T07:46:54Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳(メタデータ) (2021-09-02T16:06:45Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。
破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-07T14:19:07Z)
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。