論文の概要: Enforcing hidden physics in physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2511.14348v1
• Date: Tue, 18 Nov 2025 10:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.062552
• Title: Enforcing hidden physics in physics-informed neural networks
• Title（参考訳）: 物理インフォームドニューラルネットワークにおける隠れ物理の強制
• Authors: Nanxi Chen, Sifan Wang, Rujin Ma, Airong Chen, Chuanjie Cui,
• Abstract要約: 我々は、訓練中にソフト制約として隠された物理法則を強制する、単純で一般化されているが頑健な不可逆的戦略を導入する。 我々の正規化方式は,既存のPINNフレームワークに最小限の変更しか必要とせず,予測誤差を1桁以上削減することを示した。
• 参考スコア（独自算出の注目度）: 3.41772976335063
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-informed neural networks (PINNs) represent a new paradigm for solving partial differential equations (PDEs) by integrating physical laws into the learning process of neural networks. However, despite their foundational role, the hidden irreversibility implied by the Second Law of Thermodynamics is often neglected during training, leading to unphysical solutions or even training failures in conventional PINNs. In this paper, we identify this critical gap and introduce a simple, generalized, yet robust irreversibility-regularized strategy that enforces hidden physical laws as soft constraints during training. This approach ensures that the learned solutions consistently respect the intrinsic one-way nature of irreversible physical processes. Across a wide range of benchmarks spanning traveling wave propagation, steady combustion, ice melting, corrosion evolution, and crack propagation, we demonstrate that our regularization scheme reduces predictive errors by more than an order of magnitude, while requiring only minimal modification to existing PINN frameworks. We believe that the proposed framework is broadly applicable to a wide class of PDE-governed physical systems and will have significant impact within the scientific machine learning community.
• Abstract（参考訳）: 物理インフォームド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学習プロセスに物理法則を統合することで偏微分方程式(PDE)を解くための新しいパラダイムである。 しかし、その基礎的役割にもかかわらず、熱力学の第2法則によって示唆される隠れた不可逆性はしばしば訓練中に無視され、非物理的解や従来のPINNの訓練失敗に至る。 本稿では,この批判的ギャップを同定し,トレーニング中に隠れた物理法則をソフト制約として適用する,シンプルで一般化された,かつ堅牢な不可逆性規則化戦略を導入する。 このアプローチは、学習された解が、不可逆な物理過程の本質的な一方的な性質を一貫して尊重することを保証する。 進行波伝播, 定常燃焼, 氷融解, 腐食進展, ひび割れ伝播にまたがる広範囲なベンチマークにおいて, 我々の正規化方式は, 既存のPINNフレームワークに最小限の修正しか必要とせず, 予測誤差を1桁以上低減することを示した。 提案手法は多種多様なPDEが支配する物理システムに適用可能であり,学術機械学習コミュニティにおいて大きな影響を与えるだろうと考えている。

関連論文リスト

• A Residual Guided strategy with Generative Adversarial Networks in training Physics-Informed Transformer Networks [8.614387766858496]
  本稿では,GAN(Generative Adrative Network)を用いた物理入力変換器の残留指導戦略を提案する。 我々のフレームワークはトランスフォーマーを統合し、自己回帰処理によって時間的相関を本質的にキャプチャし、残差認識GANと組み合わせる。 アレン=カーン=ゴルドン方程式とナヴィエ=ストークス方程式の実験は、ベースライン法と比較して3桁の相対的なMSEの減少を示す。
  論文  参考訳（メタデータ） (2025-07-15T03:45:42Z)
• Hebbian Physics Networks: A Self-Organizing Computational Architecture Based on Local Physical Laws [1.0533738606966752]
  Hebbian Physics Network (HPN) は、自然保護法に違反したローカルなHebbianの更新から学習が生まれる、自己組織化された計算フレームワークである。 本研究では,非圧縮性流体流と連続体拡散の計算において,物理的に一貫した構造が無監督でランダムな初期状態から出現することを示す。
  論文  参考訳（メタデータ） (2025-07-01T10:34:14Z)
• Mask-PINNs: Mitigating Internal Covariate Shift in Physics-Informed Neural Networks [1.2667864219315372]
  PINNは偏微分方程式を解くための強力なフレームワークとして登場した。 特徴分布を制御するための学習可能なマスク関数であるMask-PINNを提案する。 その結果, 予測精度, 収束安定性, 頑健性は一貫した改善が見られた。
  論文  参考訳（メタデータ） (2025-05-09T15:38:52Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  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)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
  本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。 応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
  論文  参考訳（メタデータ） (2022-05-04T13:54:54Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)

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。