論文の概要: Physics-Informed Neural Networks for Source Inversion and Parameters Estimation in Atmospheric Dispersion
- arxiv url: http://arxiv.org/abs/2512.07755v1
- Date: Mon, 08 Dec 2025 17:38:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.986855
- Title: Physics-Informed Neural Networks for Source Inversion and Parameters Estimation in Atmospheric Dispersion
- 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よる大気分散の音源インバージョンとパラメータ推定
- Authors: Brenda Anague, Bamdad Hosseini, Issa Karambal, Jean Medard Ngnotchouye,
- Abstract要約: 本稿では,ニューラルネットワークを用いた重み付け適応手法を提案する。
提案手法は,PDE問題を高度に不正なソースインバージョンとパラメータ推定問題に転送するためのPINNの拡張として提案する。
- 参考スコア（独自算出の注目度）: 1.3241176321860364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have shown the success of deep learning in solving forward and inverse problems in engineering and scientific computing domains, such as physics-informed neural networks (PINNs). In the fields of atmospheric science and environmental monitoring, estimating emission source locations is a central task that further relies on multiple model parameters that dictate velocity profiles and diffusion parameters. Estimating these parameters at the same time as emission sources from scarce data is a difficult task. In this work, we achieve this by leveraging the flexibility and generality of PINNs. We use a weighted adaptive method based on the neural tangent kernels to solve a source inversion problem with parameter estimation on the 2D and 3D advection-diffusion equations with unknown velocity and diffusion coefficients that may vary in space and time. Our proposed weighted adaptive method is presented as an extension of PINNs for forward PDE problems to a highly ill-posed source inversion and parameter estimation problem. The key idea behind our methodology is to attempt the joint recovery of the solution, the sources along with the unknown parameters, thereby using the underlying partial differential equation as a constraint that couples multiple unknown functional parameters, leading to more efficient use of the limited information in the measurements. We present various numerical experiments, using different types of measurements that model practical engineering systems, to show that our proposed method is indeed successful and robust to additional noise in the measurements.
- Abstract（参考訳）: 近年の研究では、物理学インフォームドニューラルネットワーク(PINN)のような工学や科学計算分野における、先進的および逆問題の解法におけるディープラーニングの成功が示されている。
大気科学と環境モニタリングの分野では、放出源位置の推定は、速度プロファイルと拡散パラメータを決定する複数のモデルパラメータに依存する中心的なタスクである。
これらのパラメータと不足データからの排出源を同時に推定することは難しい作業である。
本研究では,PINNの柔軟性と汎用性を活用して実現した。
本研究では,ニューラルネットワークカーネルをベースとした重み付き適応法を用いて,空間と時間に異なる速度と拡散係数の未知な2次元および3次元の対流拡散方程式のパラメータ推定による音源反転問題の解法を提案する。
提案手法は,提案手法をPINNの拡張として提案する。
提案手法の背景にある重要な考え方は、未知のパラメータとともに解の共役回復を試みることであり、従って、基礎となる偏微分方程式を複数の未知の機能パラメータを結合する制約として使用することにより、測定に制限された情報をより効率的に利用することである。
本研究は, 実用工学系をモデル化する様々な測定方法を用いて, 提案手法が実効性があり, 付加雑音に対して頑健であることを示すための数値実験である。
関連論文リスト
- Estimating Parameter Fields in Multi-Physics PDEs from Scarce Measurements [16.081862461756764]
システム応答のスパース測定からパラメータフィールドを推定できる汎用手法であるNeptuneを紹介する。
N 海王星は既存の手法を著しく上回り、50個の観測から頑健なパラメータ推定を達成している。
信頼性と正確なPINデータ効率パラメータ推論を容易にすることで、Neptuneはエンジニアリング、ヘルスケアなどにおける広範な変革的影響を約束する。
論文 参考訳（メタデータ） (2025-08-29T19:27:07Z) - 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) - Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - Random Grid Neural Processes for Parametric Partial Differential
Equations [5.244037702157957]
我々はPDEのための空間確率物理の新しいクラスと深部潜伏モデルについて紹介する。
パラメトリックPDEの前方および逆問題を解場のガウス過程モデルの構築につながる方法で解く。
物理情報モデルにノイズのあるデータを原則的に組み込むことで、データの入手可能な問題に対する予測を改善する方法を示す。
論文 参考訳（メタデータ） (2023-01-26T11:30:56Z) - Neural Galerkin Schemes with Active Learning for High-Dimensional
Evolution Equations [44.89798007370551]
本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。
ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。
提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
論文 参考訳（メタデータ） (2022-03-02T19:09:52Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Stochastic analysis of heterogeneous porous material with modified
neural architecture search (NAS) based physics-informed neural networks using
transfer learning [0.0]
修正ニューラルアーキテクチャ探索法(NAS)に基づく物理インフォームド深層学習モデルを提案する。
高度不均質帯水層における地下水流動シミュレーションのベンチマークを行うため, 三次元流れモデルを構築した。
論文 参考訳（メタデータ） (2020-10-03T19:57:54Z)
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。