論文の概要: APRIL: Auxiliary Physically-Redundant Information in Loss - A physics-informed framework for parameter estimation with a gravitational-wave case study

• arxiv url: http://arxiv.org/abs/2510.13677v1
• Date: Wed, 15 Oct 2025 15:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.742081
• Title: APRIL: Auxiliary Physically-Redundant Information in Loss - A physics-informed framework for parameter estimation with a gravitational-wave case study
• Title（参考訳）: APRIL:Auxiliary Physical-Redundant Information in Loss -重力波ケーススタディを用いたパラメータ推定のための物理インフォームドフレームワーク
• Authors: Matteo Scialpi, Francesco Di Clemente, Leigh Smith, Michał Bejger,
• Abstract要約: 物理情報ニューラルネットワーク(PINN)は、ニューラルネットワークのトレーニングに直接、システムを管理する偏微分方程式を組み込む。 本稿では,損失に物理的に依存する補助的な情報を含めることによる補完的アプローチを提案する。 数学的にこれらの用語は、損失景観を再構成しながら、真の物理的最小値を保存することを実証する。
• 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) embed the partial differential equations (PDEs) governing the system under study directly into the training of Neural Networks, ensuring solutions that respect physical laws. While effective for single-system problems, standard PINNs scale poorly to datasets containing many realizations of the same underlying physics with varying parameters. To address this limitation, we present a complementary approach by including auxiliary physically-redundant information in loss (APRIL), i.e. augment the standard supervised output-target loss with auxiliary terms which exploit exact physical redundancy relations among outputs. We mathematically demonstrate that these terms preserve the true physical minimum while reshaping the loss landscape, improving convergence toward physically consistent solutions. As a proof-of-concept, we benchmark APRIL on a fully-connected neural network for gravitational wave (GW) parameter estimation (PE). We use simulated, noise-free compact binary coalescence (CBC) signals, focusing on inspiral-frequency waveforms to recover the chirp mass $\mathcal{M}$, the total mass $M_\mathrm{tot}$, and symmetric mass ratio $\eta$ of the binary. In this controlled setting, we show that APRIL achieves up to an order-of-magnitude improvement in test accuracy, especially for parameters that are otherwise difficult to learn. This method provides physically consistent learning for large multi-system datasets and is well suited for future GW analyses involving realistic noise and broader parameter ranges.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(PINN)は、物理法則を尊重する解を確実にするために、ニューラルネットワークのトレーニングに直接、研究中のシステムを管理する偏微分方程式(PDE)を組み込む。 シングルシステム問題に対して有効であるが、標準のPINNは、様々なパラメータを持つ同じ基礎物理学の多くの実現を含むデータセットに対して不十分にスケールする。 この制限に対処するため、出力間の正確な物理的冗長性関係を生かした補助用語を用いて、標準教師付き出力目標損失を増大させる補助的物理的冗長情報損失(APRIL)を含む補完的アプローチを提案する。 数学的には、これらの項は損失ランドスケープを形作りながら真の物理的最小値を保持し、物理的に一貫した解への収束を改善する。 概念実証として、重力波(GW)パラメータ推定(PE)のための完全連結ニューラルネットワーク上でAPRILをベンチマークする。 我々は、シミュレートされた、ノイズのないコンパクトなバイナリ合体(CBC)信号を使用し、吸気周波数波形に着目して、チャープ質量$\mathcal{M}$、総質量$M_\mathrm{tot}$、およびバイナリの対称質量比$\eta$を回復する。 本制御では,APRILは,特に学習が困難なパラメータに対して,テスト精度のオーダー・オブ・マグニチュード向上を実現していることを示す。 本手法は,大規模マルチシステムデータセットに対して物理的に一貫した学習を提供し,現実的な雑音や広いパラメータ範囲を含む将来のGW分析に適している。

関連論文リスト

• PINNverse: Accurate parameter estimation in differential equations from noisy data with constrained physics-informed neural networks [0.0]
  物理インフォームドニューラルネットワーク(PINN)は、そのような問題を解決する効果的なツールとして登場した。 本稿では,学習過程を制約付き微分最適化問題として再構成することで,これらの制約に対処する訓練パラダイムであるPINNverseを紹介する。 物理・生物学の4つの古典的ODEおよびPDEモデルにおいて,ノイズデータから頑健かつ正確なパラメータ推定を行う。
  論文  参考訳（メタデータ） (2025-04-07T16:34:57Z)
• Hamiltonian Neural Networks approach to fuzzball geodesics [39.58317527488534]
  Hamiltonian Neural Networks (HNN) は、ハミルトンの運動方程式を解くために損失関数を最小化するツールである。 本研究では、D1-D5円形ファズボールと呼ばれる滑らかで水平な幾何学内を移動する無質量プローブに対するハミルトン方程式を高精度に解くために訓練されたいくつかのHNNを実装した。
  論文  参考訳（メタデータ） (2025-02-28T09:25:49Z)
• Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
  フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
  論文  参考訳（メタデータ） (2024-10-27T23:06:29Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。 Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• MPIPN: A Multi Physics-Informed PointNet for solving parametric acoustic-structure systems [33.32926047057572]
  パラメトリック音響構造を解くために,MPIPN(Multi Physics-Informed PointNet)を提案する。 MPIPNは、計算領域の明示的な物理量と幾何学的特徴を含む拡張されたポイントクラウドアーキテクチャを誘導する。 このフレームワークは、対応する計算領域に対する適応物理学インフォームド損失関数によって訓練される。
  論文  参考訳（メタデータ） (2024-03-02T08:27:05Z)
• 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)
• Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
  本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。 具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-11-10T18:43:18Z)
• Data vs. Physics: The Apparent Pareto Front of Physics-Informed Neural Networks [8.487185704099925]
  物理インフォームドニューラルネットワーク(PINN)は、有望なディープラーニング手法として登場した。 PINNは訓練が困難であり、データと物理損失関数を組み合わせた場合、損失重み付けを慎重に調整する必要があることが多い。
  論文  参考訳（メタデータ） (2021-05-03T13:47:45Z)

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。