論文の概要: THINNs: Thermodynamically Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2509.19467v1
• Date: Tue, 23 Sep 2025 18:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.566133
• Title: THINNs: Thermodynamically Informed Neural Networks
• Title（参考訳）: THINNs: 熱力学的インフォームドニューラルネットワーク
• Authors: Javier Castro, Benjamin Gess,
• Abstract要約: PINNは、ニューラルネットワークをトレーニングして方程式の残差を最小限に抑えることにより、PDEの解を近似することを目的としたディープラーニングモデルのクラスである。 非平衡ゆらぎ系に着目し,基礎となるゆらぎ構造に整合したペナル化の物理的情報に基づく選択を提案する。 このアプローチは、不当に選択されるのではなく、逸脱を罰するためにペナルティ項が選択される、新しいPINNの定式化をもたらす。
• 参考スコア（独自算出の注目度）: 1.2031796234206138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-Informed Neural Networks (PINNs) are a class of deep learning models aiming to approximate solutions of PDEs by training neural networks to minimize the residual of the equation. Focusing on non-equilibrium fluctuating systems, we propose a physically informed choice of penalization that is consistent with the underlying fluctuation structure, as characterized by a large deviations principle. This approach yields a novel formulation of PINNs in which the penalty term is chosen to penalize improbable deviations, rather than being selected heuristically. The resulting thermodynamically consistent extension of PINNs, termed THINNs, is subsequently analyzed by establishing analytical a posteriori estimates, and providing empirical comparisons to established penalization strategies.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(英: Physics-Informed Neural Networks, PINN)は、ニューラルネットワークを訓練して方程式の残差を最小限に抑えることによってPDEの解を近似することを目的としたディープラーニングモデルのクラスである。 非平衡ゆらぎ系に着目し、大きな偏差原理を特徴とする、下層のゆらぎ構造と整合したペナル化の物理的情報に基づく選択を提案する。 このアプローチは、ペナルティ項がヒューリスティックに選択されるのではなく、不測の偏差をペナルティ化するために選択される、新しいPINNの定式化をもたらす。 THINNと呼ばれるPINNの熱力学的に一貫した拡張は、分析的アプテリ推定を確立し、確立されたペナル化戦略と経験的比較を行うことによって分析される。

関連論文リスト

• Convolution-weighting method for the physics-informed neural network: A Primal-Dual Optimization Perspective [14.65008276932511]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法として広く用いられている PINNは一般に有限個の点を用いて最適化され、収束と精度を保証する上で大きな課題となる。 そこで本稿では, 減量関数に対する重み付けを, 孤立点から連続近傍領域への適応的に変更する手法を提案する。
  論文  参考訳（メタデータ） (2025-06-24T17:13:51Z)
• ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において高い期待を得た 以前の研究では、PINNの伝播不良現象が観察された。 本稿では,伝播不良とその根本原因に関する公式かつ詳細な研究について述べる。
  論文  参考訳（メタデータ） (2025-02-02T13:56:38Z)
• RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法として広く応用されている。 本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。 実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
  論文  参考訳（メタデータ） (2024-05-23T09:45:57Z)
• Replacing Automatic Differentiation by Sobolev Cubatures fastens Physics Informed Neural Nets and strengthens their Approximation Power [0.6091702876917279]
  本稿では,物理インフォームド・ニューラルネット(PINN)のトレーニングに適用可能な,変分損失の新たな近似クラスを提案する。 損失計算は、自動微分(A.D.)を置き換えるソボレフキュウチャー(Sobolev cubatures)と呼ばれるガウス=ルジャンドルキュウチャーの拡張に依存する。
  論文  参考訳（メタデータ） (2022-11-23T11:23:08Z)
• CP-PINNs: Data-Driven Changepoints Detection in PDEs Using Online Optimized Physics-Informed Neural Networks [0.0]
  与えられたPDEダイナミクスのパラメータがランダムに変化点を示すシナリオにおける部分微分方程式(PDE)の逆問題について検討する。 物理インフォームドニューラルネットワーク(PINN)は,物理法則の解を推定できる普遍近似器である。 本稿では,PDE力学における複数の変更点を許容できる全変量ペナルティを用いたPINN拡張を提案する。
  論文  参考訳（メタデータ） (2022-08-18T04:01:07Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Physics-Informed Neural Network Method for Solving One-Dimensional Advection Equation Using PyTorch [0.0]
  PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。 標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。 テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
  論文  参考訳（メタデータ） (2021-03-15T05:39:17Z)

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。