論文の概要: SPINN: An Optimal Self-Supervised Physics-Informed Neural Network Framework

• arxiv url: http://arxiv.org/abs/2509.05886v1
• Date: Sun, 07 Sep 2025 01:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.762185
• Title: SPINN: An Optimal Self-Supervised Physics-Informed Neural Network Framework
• Title（参考訳）: SPINN: 最適化された物理インフォームドニューラルネットワークフレームワーク
• Authors: Reza Pirayeshshirazinezhad,
• Abstract要約: 矩形小型ヒートシンク内のナトリウム(Na)流の対流熱伝達係数を予測するために代理モデルを開発した。 87 Nusselt番号のデータセットには、カーネルベースの機械学習技術と浅いニューラルネットワークが適用される。 自己教師型物理インフォームドニューラルネットワークとトランスファーラーニングアプローチを用いて推定性能を向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A surrogate model is developed to predict the convective heat transfer coefficient of liquid sodium (Na) flow within rectangular miniature heat sinks. Initially, kernel-based machine learning techniques and shallow neural network are applied to a dataset with 87 Nusselt numbers for liquid sodium in rectangular miniature heat sinks. Subsequently, a self-supervised physics-informed neural network and transfer learning approach are used to increase the estimation performance. In the self-supervised physics-informed neural network, an additional layer determines the weight the of physics in the loss function to balance data and physics based on their uncertainty for a better estimation. For transfer learning, a shallow neural network trained on water is adapted for use with Na. Validation results show that the self-supervised physics-informed neural network successfully estimate the heat transfer rates of Na with an error margin of approximately +8%. Using only physics for regression, the error remains between 5% to 10%. Other machine learning methods specify the prediction mostly within +8%. High-fidelity modeling of turbulent forced convection of liquid metals using computational fluid dynamics (CFD) is both time-consuming and computationally expensive. Therefore, machine learning based models offer a powerful alternative tool for the design and optimization of liquid-metal-cooled miniature heat sinks.
• Abstract（参考訳）: 矩形小型ヒートシンク内のナトリウム(Na)流の対流熱伝達係数を予測するために代理モデルを開発した。 当初、カーネルベースの機械学習技術と浅いニューラルネットワークは、長方形の小型ヒートシンクにおける液体ナトリウムに対する87のヌッセルト数を持つデータセットに適用された。 その後、自己教師型物理インフォームドニューラルネットワークとトランスファーラーニングアプローチを用いて、推定性能を向上させる。 自己教師型物理インフォームドニューラルネットワークでは、損失関数における物理の重みを決定し、その不確実性に基づいてデータと物理のバランスを取り、より良い推定を行う。 トランスファーラーニングでは、水上で訓練された浅いニューラルネットワークがNaに適応する。 検証の結果, 自己教師型物理インフォームドニューラルネットワークは, 誤差マージンが約8%のNaの熱伝達速度を推定できた。 回帰のために物理のみを用いると、誤差は5%から10%に留まる。 他の機械学習手法では、予測は+8%以内である。 計算流体力学(CFD)を用いた液体金属の乱流強制対流の高忠実性モデリングは、時間的・計算的にも高価である。 したがって、機械学習に基づくモデルは、液体金属冷却された小型ヒートシンクの設計と最適化のための強力な代替手段を提供する。

関連論文リスト

• Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network [13.813339681786644]
  核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。 FEMは計算のグリッドベースのサンプリングに依存しており、計算的に非効率であり、リアルタイムのシミュレーションを行うのが困難である。 本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。
  論文  参考訳（メタデータ） (2025-08-05T12:42:02Z)
• MILP initialization for solving parabolic PDEs with PINNs [2.5932373010465364]
  物理インフォームドニューラルネットワーク(PINN)は物理系の解とパラメータ推定を提供する強力なディープラーニング手法である。 ニューラルネットワーク構造の複雑さを考えると、収束速度は数値的手法と比較しても制限される。
  論文  参考訳（メタデータ） (2025-01-27T15:46:38Z)
• Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
  二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。 その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
  論文  参考訳（メタデータ） (2024-10-05T10:32:51Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
  流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。 パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
  論文  参考訳（メタデータ） (2020-02-24T21:51:53Z)

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。