論文の概要: A comprehensive analysis of PINNs: Variants, Applications, and Challenges

• arxiv url: http://arxiv.org/abs/2505.22761v1
• Date: Wed, 28 May 2025 18:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.474268
• Title: A comprehensive analysis of PINNs: Variants, Applications, and Challenges
• Title（参考訳）: PINNの包括的分析:変数,応用,課題
• Authors: Afila Ajithkumar Sophiya, Akarsh K Nair, Sepehr Maleki, Senthil K. Krishnababu,
• Abstract要約: 微分方程式を解くための強力な計算ツールとして,物理情報ニューラルネットワーク (PINN) が登場している。 本調査は,これらの要因を詳細に分析し,最近の進歩とPINNにおける最先端の研究と組み合わせることで,既存の文献のギャップを埋めようとしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics Informed Neural Networks (PINNs) have been emerging as a powerful computational tool for solving differential equations. However, the applicability of these models is still in its initial stages and requires more standardization to gain wider popularity. Through this survey, we present a comprehensive overview of PINNs approaches exploring various aspects related to their architecture, variants, areas of application, real-world use cases, challenges, and so on. Even though existing surveys can be identified, they fail to provide a comprehensive view as they primarily focus on either different application scenarios or limit their study to a superficial level. This survey attempts to bridge the gap in the existing literature by presenting a detailed analysis of all these factors combined with recent advancements and state-of-the-art research in PINNs. Additionally, we discuss prevalent challenges in PINNs implementation and present some of the future research directions as well. The overall contributions of the survey can be summarised into three sections: A detailed overview of PINNs architecture and variants, a performance analysis of PINNs on different equations and application domains highlighting their features. Finally, we present a detailed discussion of current issues and future research directions.
• Abstract（参考訳）: 微分方程式を解くための強力な計算ツールとして,物理情報ニューラルネットワーク (PINN) が登場している。 しかし、これらのモデルの適用性はまだ初期段階にあり、より広く普及するためにはより標準化が必要である。 本稿では,そのアーキテクチャ,変種,アプリケーション領域,実世界のユースケース,課題など,さまざまな側面を探求するPINNのアプローチの概要を紹介する。 既存の調査は特定できるが、主に異なるアプリケーションのシナリオに焦点を当てるか、研究を表面的なレベルに制限するため、包括的なビューを提供することができない。 本調査は,これらの要因を詳細に分析し,最近の進歩とPINNにおける最先端の研究と組み合わせることで,既存の文献のギャップを埋めようとしている。 また,PINNの実装における課題についても論じ,今後の研究方向性についても述べる。 PINNアーキテクチャと変種に関する詳細な概要、異なる方程式に関するPINNのパフォーマンス分析、それらの特徴を強調するアプリケーションドメイン。 最後に,現在の課題と今後の研究方向性について,詳細な議論を行う。

関連論文リスト

• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
  マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。 この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる 本調査では,I-CMRの3段階分類法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T05:06:48Z)
• PINNacle: A Comprehensive Benchmark of Physics-Informed Neural Networks for Solving PDEs [29.032874764462232]
  このギャップを埋めるために設計されたベンチマークツールであるPINNacleを紹介する。 PINNacleは、さまざまなドメインから20以上の異なるPDEを含む、多様なデータセットを提供する。 PINNacleはユーザフレンドリーなツールボックスも提供しており、システム評価と比較のために約10の最先端のPINNメソッドが組み込まれている。
  論文  参考訳（メタデータ） (2023-06-15T02:49:05Z)
• Error convergence and engineering-guided hyperparameter search of PINNs: towards optimized I-FENN performance [0.0]
  PINNコンポーネントの2つの重要な側面に着目し,I-FENNの厳格さと性能を向上させる。 本稿では,新しい総合的パフォーマンス指標のセットに基づく体系的な数値的アプローチを提案する。 提案された分析は、科学と工学の他の応用にも直接拡張することができる。
  論文  参考訳（メタデータ） (2023-03-03T17:39:06Z)
• On the Generalization of PINNs outside the training domain and the Hyperparameters influencing it [1.3927943269211593]
  PINNは、解データを必要としない微分方程式の解をエミュレートするように訓練されたニューラルネットワークアーキテクチャである。 トレーニング領域外におけるPINN予測の挙動を実証分析する。 PINNのアルゴリズム設定が一般化のポテンシャルに影響を及ぼすかどうかを評価し,予測に対する各効果を示す。
  論文  参考訳（メタデータ） (2023-02-15T09:51:56Z)
• Scientific Machine Learning through Physics-Informed Neural Networks: Where we are and What's next [5.956366179544257]
  physic-Informed Neural Networks (PINN) は、モデル方程式を符号化するニューラルネットワーク(NN)である。 PINNは現在ではPDE、分数方程式、積分微分方程式の解法として使われている。
  論文  参考訳（メタデータ） (2022-01-14T19:05:44Z)
• A Survey on Assessing the Generalization Envelope of Deep Neural Networks: Predictive Uncertainty, Out-of-distribution and Adversarial Samples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くのアプリケーションで最先端のパフォーマンスを達成する。 入力を受けたDNNが、通常、その決定基準が不透明であるため、正しい出力を提供するかどうかを事前に判断することは困難である。 本調査は,機械学習手法,特にDNNの一般化性能について,大規模フレームワーク内の3つの分野を関連づけるものである。
  論文  参考訳（メタデータ） (2020-08-21T09:12:52Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。