論文の概要: Robust Physics-Informed Neural Network Approach for Estimating Heterogeneous Elastic Properties from Noisy Displacement Data

• arxiv url: http://arxiv.org/abs/2506.14036v2
• Date: Wed, 18 Jun 2025 17:08:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.391346
• Title: Robust Physics-Informed Neural Network Approach for Estimating Heterogeneous Elastic Properties from Noisy Displacement Data
• Title（参考訳）: 雑音変位データから不均一弾性特性を推定するためのロバスト物理インフォームドニューラルネットワークアプローチ
• Abstract要約: IE-PINNはノイズ変位データから弾性パラメータの不均一分布を頑健に再構成するように設計されている。 IE-PINNは、変位場、ひずみ場、弾性分布を個別にモデル化するための3つの異なるニューラルネットワークアーキテクチャを統合している。
• 参考スコア（独自算出の注目度）: 4.1040852284977225
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately estimating spatially heterogeneous elasticity parameters, particularly Young's modulus and Poisson's ratio, from noisy displacement measurements remains significantly challenging in inverse elasticity problems. Existing inverse estimation techniques are often limited by instability, pronounced sensitivity to measurement noise, and difficulty in recovering absolute-scale Young's modulus. This work presents a novel Inverse Elasticity Physics-Informed Neural Network (IE-PINN) specifically designed to robustly reconstruct heterogeneous distributions of elasticity parameters from noisy displacement data based on linear elasticity physics. IE-PINN integrates three distinct neural network architectures dedicated to separately modeling displacement fields, strain fields, and elasticity distributions, thereby significantly enhancing stability and accuracy against measurement noise. Additionally, a two-phase estimation strategy is introduced: the first phase recovers relative spatial distributions of Young's modulus and Poisson's ratio, and the second phase calibrates the absolute scale of Young's modulus using imposed loading boundary conditions. Additional methodological innovations, including positional encoding, sine activation functions, and a sequential pretraining protocol, further enhance the model's performance and robustness. Extensive numerical experiments demonstrate that IE-PINN effectively overcomes critical limitations encountered by existing methods, delivering accurate absolute-scale elasticity estimations even under severe noise conditions. This advancement holds substantial potential for clinical imaging diagnostics and mechanical characterization, where measurements typically encounter substantial noise.
• Abstract（参考訳）: 空間的不均一弾性パラメータ、特にヤング率とポアソン比をノイズ変位測定から正確に推定することは、逆弾性率問題において著しく困難である。 既存の逆推定手法は、しばしば不安定性、測定ノイズに対する感度の顕著さ、絶対スケールのヤング率の回復の困難さによって制限される。 本研究は、線形弾性物理に基づく雑音変位データから、弾性パラメータの不均一分布を頑健に再構成するために設計された新しい逆弾性物理情報ニューラルネットワーク(IE-PINN)を提案する。 IE-PINNは、変位場、ひずみ場、弾性分布を別々にモデル化するための3つの異なるニューラルネットワークアーキテクチャを統合し、測定ノイズに対する安定性と精度を大幅に向上させる。 さらに、第1相はヤング率とポアソン比の相対空間分布を復元し、第2相は負荷境界条件を用いてヤング率の絶対スケールを校正する。 位置符号化、正弦アクティベーション関数、シーケンシャルプレトレーニングプロトコルなどの追加の方法論的革新により、モデルの性能と堅牢性はさらに向上した。 大規模な数値実験により、IE-PINNは既存の手法が抱える限界を効果的に克服し、厳しい騒音条件下であっても正確な絶対スケールの弾力性推定を行うことを示した。 この進歩は臨床画像診断と機械的特徴の面で大きな可能性を秘めている。

関連論文リスト

• S-matrix informed neural networks for amplitude analysis [38.19669642099726]
  有限、雑音、および相互に矛盾する測定から散乱振幅を再構成することは、不測の逆問題である。 本稿では,S行列情報ニューラルネットワーク(SINN)を導入し,データから直接散乱振幅を学習できることを実証する。 我々はこの枠組みを$$の散乱に適用し、固定関数形式に頼ることなく再利用可能な振幅と不確かさを発生させる。
  論文  参考訳（メタデータ） (2026-08-24T18:38:20Z)
• Fourier Feature Physics-Informed Neural Networks for Elasto-Plastic Analysis of Geomaterials with a Non-Associative Mohr-Coulomb Model [2.7930955543692817]
  地盤工学における弾塑性境界値問題は、伝統的に有限要素法(FEM)によって解決される。 本研究では,このモデルにより制御される2種類の弾塑性問題に対するフーリエ特徴物理インニューラルネットワーク(FF-PINN)を提案する。
  論文  参考訳（メタデータ） (2026-07-27T23:50:39Z)
• Probabilistic Physics-Informed Neural Networks for Estimating Heterogeneous Elastic Properties from Low-Resolution and Noisy Displacement Data [4.791233143264229]
  低分解能変位測定による弾性特性の推定は、非常に不適切な逆弾性問題である。 既存の逆法は、しばしば高忠実度観測と手動で規定された損失重みに依存する。 本稿では,確率論的逆弾性物理インフォームドニューラルネットワーク(PIE-PINN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-16T04:43:39Z)
• Physics-informed neural operators for the in situ characterization of locally reacting sound absorbers [0.0]
  この研究は、周波数依存性の表面アプタンスを推定するための物理インフォームド・ニューラル演算子アプローチを示す。 深層演算子ネットワークを用いて測定データ、空間座標、周波数から音場量へのマッピングを学習する。 純粋なデータ駆動手法と比較して、ノイズやスパースサンプリングに対する堅牢性が改善された。
  論文  参考訳（メタデータ） (2026-04-08T12:19:24Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• Physics-Informed Neural ODEs with Scale-Aware Residuals for Learning Stiff Biophysical Dynamics [4.285464959472458]
  規模対応残差を持つ物理インフォームドニューラルネットワーク(PI-NODE-SR)を導入する。 このフレームワークは、異なる時間スケールで進化する状態変数間のコントリビューションのバランスをとるために、低次の明示的正規化(Heun法)を組み合わす。 硬いソルバ(Rodas5P)でシミュレートされた単一発振から学習し、100ミリ秒を超える外挿を行い、発振周波数とほぼ正確な振幅の両方を捉える。
  論文  参考訳（メタデータ） (2025-11-13T06:52:11Z)
• Deep operator network for surrogate modeling of poroelasticity with random permeability fields [3.7214007898390196]
  多孔質媒質中の流動と弾性変形を結合した多弾性性は、しばしば空間的に変化する透水性を伴う。 本研究では,無限次元関数空間間の写像を学習するためのニューラルネットワークであるDeepONet(DeepONet)に基づく代理モデリングフレームワークを提案する。 予測精度と安定性を向上させるために,支配方程式の非次元化,Karhunen-Lo'eve展開による入力次元削減,および分岐ネットワークとトランクネットワークの最適化を分離する2段階の訓練手順を統合する。
  論文  参考訳（メタデータ） (2025-09-15T14:18:49Z)
• Noradrenergic-inspired gain modulation attenuates the stability gap in joint training [44.99833362998488]
  連続学習の研究は、安定性ギャップとして知られる新しいタスクを同化する際に、マスターされたタスクのパフォーマンスが過度に低下することを発見した。 タスク境界における迅速な適応と堅牢な保持のバランスの不均衡を反映していると我々は主張する。 結節性好中球を介するノルアドレナリン系バーストに着想を得て,不確実性変調ゲインダイナミクスを提案する。
  論文  参考訳（メタデータ） (2025-07-18T16:34:06Z)
• Evidential Physics-Informed Neural Networks [0.0]
  本稿では,エビデンシャル・ディープ・ラーニングの原理に基づいて定式化された物理インフォームド・ニューラル・ニューラルネットワークの新たなクラスを提案する。 1次元および2次元非線形微分方程式を含む逆問題に対して、我々のモデルを適用する方法を示す。
  論文  参考訳（メタデータ） (2025-01-27T10:01:10Z)
• Discovery and inversion of the viscoelastic wave equation in inhomogeneous media [3.6864706261549127]
  現在のスパース回帰法はスパースおよびノイズデータセット上の不正確な方程式を特定することができる。 探索と埋め込みという2つの交互方向最適化フェーズを組み合わせたハイブリッドフレームワークを提案する。 提案手法は, 高レベルの騒音に直面しても, 優れたロバスト性と精度を示す。
  論文  参考訳（メタデータ） (2024-09-27T01:05:45Z)
• InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
  本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。 InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
  論文  参考訳（メタデータ） (2024-08-15T17:07:40Z)
• Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks [36.136619420474766]
  フルフィールド変位データからモデルキャリブレーションを行うためのパラメトリック物理インフォームドニューラルネットワーク(PINN)について検討した。 PINNの高速評価により、ほぼリアルタイムでキャリブレーションを行うことができる。
  論文  参考訳（メタデータ） (2024-05-28T16:02:11Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Physics-informed UNets for Discovering Hidden Elasticity in Heterogeneous Materials [0.0]
  弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。 完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T23:35:03Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• Noisy Recurrent Neural Networks [45.94390701863504]
  入力データによって駆動される微分方程式の離散化として,隠れ状態に雑音を注入することによって訓練されたリカレントニューラルネットワーク(RNN)について検討する。 合理的な仮定の下では、この暗黙の正則化はより平坦なミニマムを促進し、より安定な力学を持つモデルに偏りを呈し、分類タスクではより大きな分類マージンを持つモデルを好む。 本理論は, 各種入力摂動に対するロバスト性の向上と, 最先端性能の維持を両立させる実証実験により支持された。
  論文  参考訳（メタデータ） (2021-02-09T15:20:50Z)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。