論文の概要: ZENN: A Thermodynamics-Inspired Computational Framework for Heterogeneous Data-Driven Modeling

• arxiv url: http://arxiv.org/abs/2505.09851v1
• Date: Wed, 14 May 2025 23:23:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.132836
• Title: ZENN: A Thermodynamics-Inspired Computational Framework for Heterogeneous Data-Driven Modeling
• Title（参考訳）: ZENN: 異種データ駆動モデリングのための熱力学にヒントを得た計算フレームワーク
• Authors: Shun Wang, Shun-Li Shang, Zi-Kui Liu, Wenrui Hao,
• Abstract要約: 我々は、内在エントロピーを導入して、エントロピー理論をデータサイエンス領域に拡張する。 本研究では,エネルギーと固有エントロピーの両成分を同時に学習するゼノピー強化ニューラルネットワーク(ZENN)を提案する。
• 参考スコア（独自算出の注目度）: 1.4731597319340288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional entropy-based methods - such as cross-entropy loss in classification problems - have long been essential tools for quantifying uncertainty and disorder in data and developing artificial intelligence algorithms. However, the rapid growth of data across various domains has introduced new challenges, particularly the integration of heterogeneous datasets with intrinsic disparities. In this paper, we extend zentropy theory into the data science domain by introducing intrinsic entropy, enabling more effective learning from heterogeneous data sources. We propose a zentropy-enhanced neural network (ZENN) that simultaneously learns both energy and intrinsic entropy components, capturing the underlying structure of multi-source data. To support this, we redesign the neural network architecture to better reflect the intrinsic properties and variability inherent in diverse datasets. We demonstrate the effectiveness of ZENN on classification tasks and energy landscape reconstructions, showing its superior generalization capabilities and robustness-particularly in predicting high-order derivatives. As a practical application, we employ ZENN to reconstruct the Helmholtz energy landscape of Fe3Pt using data generated from DFT and capture key material behaviors, including negative thermal expansion and the critical point in the temperature-pressure space. Overall, our study introduces a novel approach for data-driven machine learning grounded in zentropy theory, highlighting ZENN as a versatile and robust deep learning framework for scientific problems involving complex, heterogeneous datasets.
• Abstract（参考訳）: 従来のエントロピーベースの手法(分類問題におけるクロスエントロピー損失など)は、データの不確実性や障害を定量化し、人工知能アルゴリズムを開発する上で、長い間必要不可欠なツールであった。 しかし、様々な領域にまたがるデータの急速な成長は、特に不均一なデータセットと固有の相違点の統合に新たな課題をもたらしている。 本稿では、固有エントロピーを導入し、データサイエンス領域にエントロピー理論を拡張し、異種データソースからより効果的な学習を可能にする。 エネルギーと固有エントロピー成分の両方を同時に学習し,マルチソースデータの基盤構造を捉えるゼノピー強化ニューラルネットワーク(ZENN)を提案する。 これをサポートするために、ニューラルネットワークアーキテクチャを再設計し、多様なデータセットに固有の固有の固有の特性と多様性をよりよく反映する。 本研究では,ZENNが分類タスクやエネルギー景観の再構築に有効であることを示し,高次微分の予測に優れた一般化能力とロバスト性を示す。 実用例として、ZENNを用いて、DFTから生成されたデータを用いてFe3Ptのヘルムホルツエネルギー景観を再構築し、負の熱膨張や温度-圧力空間の臨界点を含む重要な物質挙動を捉える。 本研究は、ZENNを複雑で不均一なデータセットを含む科学的問題に対する汎用的で堅牢な深層学習フレームワークとして強調し、全天論に基づくデータ駆動機械学習の新しいアプローチを提案する。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling [0.0]
  物理情報ニューラルネットワーク(PINN)は、物理法則を直接学習プロセスに組み込むことによって、有望なアプローチを提供する。 本稿では、PINNの実装に特化して設計されたDeepXDEフレームワークの機能と制限について説明する。 電流(ln(I))に対数変換を適用することにより,PINN予測の安定性と精度が著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-11-13T19:08:36Z)
• An Efficient Approach to Regression Problems with Tensor Neural Networks [5.345144592056051]
  本稿では、非パラメトリック回帰問題に対処するテンソルニューラルネットワーク(TNN)を提案する。 TNNは従来のFeed-Forward Networks (FFN) や Radial Basis Function Networks (RBN) よりも優れた性能を示している。 このアプローチにおける重要な革新は、統計回帰とTNNフレームワーク内の数値積分の統合である。
  論文  参考訳（メタデータ） (2024-06-14T03:38:40Z)
• A Gap in Time: The Challenge of Processing Heterogeneous IoT Data in Digitalized Buildings [15.525789412274587]
  本研究は, ビル内およびビル間におけるIoTデータの多様性について検討した。 その結果、マルチモーダルデータ統合、ドメインインフォームドモデリング、自動データエンジニアリングパイプラインの必要性が強調された。
  論文  参考訳（メタデータ） (2024-05-23T07:45:48Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Transfer learning for atomistic simulations using GNNs and kernel mean embeddings [24.560340485988128]
  本稿では, グラフニューラルネットワーク(GNN)を用いて, カーネル平均埋め込みとともに, 化学環境を表現するトランスファー学習アルゴリズムを提案する。 我々は,複雑性を増大させる一連の現実的なデータセットに対して,我々のアプローチを検証し,優れた一般化と伝達可能性性能を示す。
  論文  参考訳（メタデータ） (2023-06-02T14:58:16Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)
• Thermodynamics-based Artificial Neural Networks for constitutive modeling [0.0]
  本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。 熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。 本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
  論文  参考訳（メタデータ） (2020-05-25T15:56:34Z)

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。