論文の概要: Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning

• arxiv url: http://arxiv.org/abs/2605.05217v1
• Date: Fri, 17 Apr 2026 01:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.602978
• Title: Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning
• Title（参考訳）: 学習可能な損失分散と伝達学習を有する物理インフォームニューラルネットワーク
• Authors: Reza Pirayeshshirazinezhad,
• Abstract要約: 本稿では,物理ベースとデータ駆動型監視を適応的にバランスさせる,自己制御型物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 我々のフレームワークは、ニューラルネットワークに物理を適応的に埋め込むための一般的なレシピを提供し、データスカース問題に対して堅牢で再現可能なアプローチを提供する。
• 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: We propose a self-supervised physics-informed neural network (PINN) framework that adaptively balances physics-based and data-driven supervision for scientific machine learning under data scarcity. Unlike prior PINNs that rely on fixed or heuristic weighting of physics residuals and data loss, our approach introduces a learnable blending neuron that dynamically adjusts the relative contribution of each term based on their uncertainties. This mechanism enables stable training and improved generalization without manual tuning. To further enhance efficiency, we integrate a transfer learning strategy that reuses representations from related domains and adapts them to new physical systems with limited data. We validate the framework for the prediction of heat transfer in liquid-metal miniature heat sinks using only 87 CFD datapoints, where the adaptive PINN achieves an error <8%, outperforming shallow neural networks, kernel methods, and physics-only baselines. Our framework provides a general recipe for embedding physics adaptively into neural networks, offering a robust and reproducible approach for data-scarce problems across various scientific domains, including fluid dynamics and material modeling.
• Abstract（参考訳）: 本稿では,データ不足下での科学機械学習のための物理ベースとデータ駆動型監視を適応的にバランスさせる,自己教師型物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 物理残差やデータ損失の固定的あるいはヒューリスティックな重み付けに依存する従来のPINNとは異なり、本手法では、各項の相対的寄与を不確実性に基づいて動的に調節する学習可能なブレンディングニューロンを導入する。 このメカニズムは、手動チューニングなしで安定したトレーニングと一般化の改善を可能にする。 効率をさらに高めるため、関連するドメインからの表現を再利用し、限られたデータを持つ新しい物理システムに適応する転送学習戦略を統合する。 我々は,87個のCFDデータポイントのみを用いて,液体金属製小型ヒートシンクの伝熱予測の枠組みを検証した。 我々のフレームワークは、ニューラルネットワークに物理を適応的に埋め込むための一般的なレシピを提供し、流体力学や物質モデリングなど、さまざまな科学的領域にわたるデータスカース問題に対して、堅牢で再現可能なアプローチを提供する。

関連論文リスト

• Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
  PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。 本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。 PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
  論文  参考訳（メタデータ） (2025-08-29T12:15:32Z)
• Optimal Linear Baseline Models for Scientific Machine Learning [37.69303106863453]
  我々は線形エンコーダ・デコーダアーキテクチャを解析するための統一的理論フレームワークを開発した。 我々は、フォワードモデリングと逆リカバリタスクのための閉形式、階数制約付き線形最適写像を導出する。 この研究は、科学的機械学習問題に対する学習ニューラルネットワークモデルの理解とベンチマークのための堅牢なベースラインを提供する。
  論文  参考訳（メタデータ） (2025-08-07T20:17:07Z)
• Improving physics-informed neural network extrapolation via transfer learning and adaptive activation functions [44.44497277876625]
  物理情報ニューラルネットワーク(英: Physics-Informed Neural Networks、PINN)は、システムの物理法則を学習プロセスに組み込んだディープラーニングモデルである。 本稿では,PINNの補間性能を向上させるために,転送学習(TL)手法を提案する。 提案手法は, 平均L2誤差を平均40%, 平均絶対誤差を平均50%削減する。
  論文  参考訳（メタデータ） (2025-07-16T22:19:53Z)
• Leveraging Influence Functions for Resampling Data in Physics-Informed Neural Networks [45.752780408098765]
  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)を解くための強力なアプローチを提供する PINNは最近、科学機械学習の分野で貴重なツールとして登場した。
  論文  参考訳（メタデータ） (2025-06-19T16:21:14Z)
• Physics Informed Constrained Learning of Dynamics from Static Data [8.346864633675414]
  物理インフォームドニューラルネットワーク(PINN)は、制御物理法則をニューラルネットワークのアーキテクチャに統合することにより、システムのダイナミクスをモデル化する。 既存のPINNフレームワークは、完全に観測された時間軸データに依存しており、多くのシステムでは取得が禁止される可能性がある。 本研究では,非時間コースや部分的に観測されたデータを用いて一階微分や動きを近似できる新しいPINN学習パラダイムであるConstrained Learningを開発した。
  論文  参考訳（メタデータ） (2025-04-17T06:06:53Z)
• Adapting Physics-Informed Neural Networks to Improve ODE Optimization in Mosquito Population Dynamics [0.019972837513980313]
  本稿では,ODE システムの前方および逆問題に対していくつかの改良を加えた PINN フレームワークを提案する。 この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。 予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。
  論文  参考訳（メタデータ） (2024-06-07T17:40:38Z)
• 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)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• 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)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)

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。