論文の概要: Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2505.03806v1
• Date: Fri, 02 May 2025 09:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.827653
• Title: Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks
• Title（参考訳）: 知覚インフォームドニューラルネットワーク:物理インフォームドニューラルネットワークを超えて
• Authors: Mehran Mazandarani, Marzieh Najariyan,
• Abstract要約: 本稿では知覚に基づく情報をニューラルネットワークに組み込むように設計されたフレームワークである知覚情報ニューラルネットワーク(PrINN)を紹介する。 PrINNは、従来の物理に基づくモデリングと、現代的なデータ駆動アプローチのギャップを埋める上で、重要な一歩である。
• 参考スコア（独自算出の注目度）: 9.137823172310194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article introduces Perception-Informed Neural Networks (PrINNs), a framework designed to incorporate perception-based information into neural networks, addressing both systems with known and unknown physics laws or differential equations. Moreover, PrINNs extend the concept of Physics-Informed Neural Networks (PINNs) and their variants, offering a platform for the integration of diverse forms of perception precisiation, including singular, probability distribution, possibility distribution, interval, and fuzzy graph. In fact, PrINNs allow neural networks to model dynamical systems by integrating expert knowledge and perception-based information through loss functions, enabling the creation of modern data-driven models. Some of the key contributions include Mixture of Experts Informed Neural Networks (MOEINNs), which combine heterogeneous expert knowledge into the network, and Transformed-Knowledge Informed Neural Networks (TKINNs), which facilitate the incorporation of meta-information for enhanced model performance. Additionally, Fuzzy-Informed Neural Networks (FINNs) as a modern class of fuzzy deep neural networks leverage fuzzy logic constraints within a deep learning architecture, allowing online training without pre-training and eliminating the need for defuzzification. PrINNs represent a significant step forward in bridging the gap between traditional physics-based modeling and modern data-driven approaches, enabling neural networks to learn from both structured physics laws and flexible perception-based rules. This approach empowers neural networks to operate in uncertain environments, model complex systems, and discover new forms of differential equations, making PrINNs a powerful tool for advancing computational science and engineering.
• Abstract（参考訳）: 本稿では、知覚に基づく情報をニューラルネットワークに組み込むように設計されたフレームワークである知覚情報ニューラルネットワーク(PrINN)について紹介する。 さらに、PrINNは物理情報ニューラルネットワーク(PINN)とその変種の概念を拡張し、特異性、確率分布、可能性分布、間隔、ファジィグラフを含む様々な知覚精度を統合するためのプラットフォームを提供する。 実際、PrINNは、専門家の知識と認識に基づく情報を損失関数を通じて統合することで、ニューラルネットワークが動的システムのモデル化を可能にし、現代のデータ駆動モデルの作成を可能にする。 主要なコントリビューションには、ネットワークに異種の専門家知識を組み合わせたMOEINN(Mixture of Experts Informed Neural Networks)や、モデルパフォーマンス向上のためのメタ情報の導入を促進するTransformed-Knowledge Informed Neural Networks(TKINNs)などがある。 さらに、ファジィインフォームドニューラルネットワーク(FINN)は、ファジィディープニューラルネットワークの現代的なクラスである。 PrINNは、従来の物理に基づくモデリングと、現代的なデータ駆動アプローチのギャップを埋める上で、重要な一歩であり、ニューラルネットワークが構造化物理法則とフレキシブルな知覚に基づくルールの両方から学べるようにしている。 このアプローチにより、ニューラルネットワークは不確実な環境で動作し、複雑なシステムをモデル化し、新しい微分方程式を発見し、PrINNは計算科学と工学の進歩のための強力なツールとなる。

関連論文リスト

• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Gaussian Process Surrogate Models for Neural Networks [6.8304779077042515]
  科学と工学において、モデリング(英: modeling)とは、内部プロセスが不透明な複雑なシステムを理解するために用いられる方法論である。 本稿では,ガウス過程を用いたニューラルネットワークの代理モデルのクラスを構築する。 提案手法は,ニューラルネットワークのスペクトルバイアスに関連する既存の現象を捕捉し,サロゲートモデルを用いて現実的な問題を解決することを実証する。
  論文  参考訳（メタデータ） (2022-08-11T20:17:02Z)
• Bayesian Physics-Informed Neural Networks for real-world nonlinear dynamical systems [0.0]
  ニューラルネットワーク、物理情報モデリング、ベイズ推論を組み合わせることで、データ、物理、不確実性を統合します。 本研究は,ニューラルネットワーク,ベイジアン推論,および両者の組み合わせの固有の長所と短所を明らかにする。 我々は、基礎となる概念や傾向が、より複雑な疾患の状況に一般化されることを期待する。
  論文  参考訳（メタデータ） (2022-05-12T19:04:31Z)
• 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)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Physics-informed ConvNet: Learning Physical Field from a Shallow Neural Network [0.180476943513092]
  マルチ物理システムのモデル化と予測は、避けられないデータ不足とノイズのために依然として課題である。 物理インフォームド・コンボリューション・ネットワーク(PICN)と呼ばれる新しいフレームワークは、CNNの観点から推奨されている。 PICNは物理インフォームド機械学習において、代替のニューラルネットワークソルバとなる可能性がある。
  論文  参考訳（メタデータ） (2022-01-26T14:35:58Z)
• Explainable artificial intelligence for mechanics: physics-informing neural networks for constitutive models [0.0]
  メカニクスにおいて、物理インフォームドニューラルネットワークの新しい活発な分野は、機械的知識に基づいてディープニューラルネットワークを設計することによって、この欠点を緩和しようとする。 本論文では,機械データに訓練されたニューラルネットワークを後述する物理形成型アプローチへの第一歩を提案する。 これにより、主成分分析はRNNの細胞状態における分散表現をデコレーションし、既知の基本関数との比較を可能にする。
  論文  参考訳（メタデータ） (2021-04-20T18:38:52Z)
• Mastering high-dimensional dynamics with Hamiltonian neural networks [0.0]
  マップ・ビルディング・パースペクティブは、従来のニューラルネットワークよりもハミルトニアン・ニューラル・ネットワークの優位性を解明する。 その結果、データ、次元、ニューラルネットワーク学習性能の臨界関係を明らかにした。
  論文  参考訳（メタデータ） (2020-07-28T21:14:42Z)

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。