論文の概要: Physics-based simulation ontology: an ontology to support modelling and reuse of data for physics-based simulation
- arxiv url: http://arxiv.org/abs/2503.11723v1
- Date: Fri, 14 Mar 2025 01:51:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 15:59:54.065996
- Title: Physics-based simulation ontology: an ontology to support modelling and reuse of data for physics-based simulation
- Title（参考訳）: 物理シミュレーションオントロジー:物理シミュレーションのためのデータのモデリングと再利用を支援するオントロジー
- Authors: Hyunmin Cheong, Adrian Butscher,
- Abstract要約: この研究は、物理学ベースのシミュレーションオントロジー(PSO)という、工学設計における物理ベースのシミュレーションのために開発されたオントロジーを提示する。
PSO-Physics(PSO-Physics)とPSO-Physics(PSO-Physics)(PSO-Physics)(PSO-Physics)(PSO-Physics)(PSO-Physics)(PSO-Physics)(PSO-Physic s)(PSO-Physics)(PSO-Physics)(PSO-Physics)(PSO-Physics)(PSO))。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The current work presents an ontology developed for physics-based simulation in engineering design, called Physics-based Simulation Ontology (PSO). The purpose of the ontology is to assist in modelling the physical phenomenon of interest in a veridical manner, while capturing the necessary and reusable information for physics-based simulation solvers. The development involved extending an existing upper ontology, Basic Formal Ontology (BFO), to define lower-level terms of PSO. PSO has two parts: PSO-Physics, which consists of terms and relations used to model physical phenomena based on the perspective of classical mechanics involving partial differential equations, and PSO-Sim, which consists of terms used to represent the information artefacts that are about the physical phenomena modelled with PSO-Physics. The former terms are used to model the physical phenomenon of interest independent of solver-specific interpretations, which can be reused across different solvers, while the latter terms are used to instantiate solver-specific input data. A case study involving two simulation solvers was conducted to demonstrate this capability of PSO. Discussion around the benefits and limitations of using BFO for the current work is also provided, which should be valuable for any future work that extends an existing upper ontology to develop ontologies for engineering applications.
- Abstract（参考訳）: 現在の研究は、物理学に基づく工学設計のシミュレーションのために開発されたオントロジーであるPSO(Simulation Ontology)を提示している。
このオントロジーの目的は、物理に基づくシミュレーションソルバに必要な再利用可能な情報を取得しながら、興味のある物理現象を検証的にモデル化することを支援することである。
この開発は、PSOの低レベルの用語を定義するために、既存の上オントロジーである Basic Formal Ontology (BFO) を拡張した。
PSO-Physics(PSO-Physics)は、偏微分方程式を含む古典力学の観点に基づいて物理現象をモデル化する用語と関係、PSO-Physics(PSO-Physics)でモデル化された物理現象に関する情報アーチファクトを表現する用語からなるPSO-Sim(PSO-Physics)である。
前者の用語は、ソルバ固有の解釈とは独立して興味の物理現象をモデル化するために使用され、後者の用語はソルバ固有の入力データをインスタンス化するために使用される。
2つのシミュレーションソルバを含むケーススタディを行い、PSOのこの能力を実証した。
エンジニアリングアプリケーションのためのオントロジーを開発するために、既存の上位オントロジーを拡張した将来の作業には価値があるだろう。
関連論文リスト
- Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。
本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。
従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文 参考訳（メタデータ） (2024-11-18T11:58:20Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。
私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。
また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文 参考訳（メタデータ） (2024-02-09T01:09:21Z) - 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) - Neural Lumped Parameter Differential Equations with Application in
Friction-Stir Processing [2.158307833088858]
Lumpedパラメータ法は、空間的拡張または連続的な物理系の進化を単純化することを目的としている。
一般化微分方程式(Universal Differential Equation)の概念に基づいてデータ駆動モデルを構築する。
論文 参考訳（メタデータ） (2023-04-18T15:11:27Z) - Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文 参考訳（メタデータ） (2022-09-23T14:38:01Z) - 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) - Physics-guided Deep Markov Models for Learning Nonlinear Dynamical
Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。
提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文 参考訳（メタデータ） (2021-10-16T16:35:12Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳（メタデータ） (2020-04-28T17:06:38Z)
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。