論文の概要: Critical evaluation of PINN for FWD inverse analysis and differentiable FEM as an alternative

• arxiv url: http://arxiv.org/abs/2606.03210v1
• Date: Tue, 02 Jun 2026 06:08:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.79945
• Title: Critical evaluation of PINN for FWD inverse analysis and differentiable FEM as an alternative
• Title（参考訳）: FWD逆解析のためのPINNの批判的評価と代替としての微分可能なFEM
• Authors: Yongjin Choi, Hyeonbin Moon, Seunghwa Ryu,
• Abstract要約: 本研究は,多層舗装システムにおけるPINNに基づく逆解析を批判的に評価する。 対照的に、DiffFEMはより正確で安定で、計算効率のよい逆解析結果を得る。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic-differentiation-based inverse analysis methods, including physics-informed neural networks (PINNs) and differentiable programming, have recently shown great promise due to their ability to compute accurate gradients and convergence efficiency. However, their applicability to falling weight deflectometer (FWD) backcalculation remains unexplored. This study critically evaluates PINN-based inverse analysis for a multilayer pavement system and investigates differentiable finite element method (DiffFEM) as an alternative based on a synthetic benchmark. The standard PINN does not recover layer moduli because of the sharp domain discontinuities inherent to layered pavement systems. Although we use an extended PINN with domain decomposition (XPINN), which shows better performance on discontinuous domains, its performance remains highly sensitive to loss weighting and network architecture, and degrades under measurement noise. By contrast, DiffFEM consistently achieves more accurate, stable, and computationally efficient inversion results. These results indicate that DiffFEM, which enforces the governing physics as a hard constraint, yields better accuracy, robustness, and computational efficiency than PINN-based approaches, in which the governing physics is imposed as a soft constraint through the loss function. More broadly, the findings suggest that the choice between PINN- and DiffFEM-based inverse analysis needs careful consideration, with DiffFEM offering practical advantages when an efficient and robust differentiable forward solver is available.
• 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)や微分可能プログラミングなど、自動微分に基づく逆解析手法は、最近、正確な勾配と収束効率を計算できるため、大きな可能性を秘めている。 しかし、重量偏向計 (FWD) のバックカルキュレーションの適用性は未解明のままである。 本研究では,多層舗装システムにおけるPINNに基づく逆解析を批判的に評価し,合成ベンチマークに基づく微分可能有限要素法(DiffFEM)について検討する。 標準のPINNは、層状舗装系固有の鋭い領域不連続性のため、層構造を回復しない。 ドメイン分解を拡張した拡張PINN(XPINN)を用いて不連続領域の性能を向上するが、損失重み付けやネットワークアーキテクチャに非常に敏感であり、測定ノイズ下で劣化する。 対照的に、DiffFEMはより正確で安定で、計算効率のよい逆解析結果を得る。 これらの結果は、制御物理をハード制約として強制するDiffFEMは、制御物理を損失関数を通じてソフト制約として課すPINNベースのアプローチよりも精度、堅牢性、計算効率が良いことを示唆している。 より広範に、PINN-とDiffFEM-ベースの逆解析の選択肢は慎重に検討する必要があることが示唆され、DiffFEMは、効率的で堅牢な微分可能前方解法が利用可能である場合に、実用的な利点を提供する。

関連論文リスト

• Enhancing Physics-Informed Neural Networks with Domain-aware Fourier Features: Towards Improved Performance and Interpretable Results [0.10547191657550363]
  物理情報ニューラルネットワーク(PINN)は、偏微分方程式(PDE)を損失関数に埋め込み、ニューラルネットワークに物理を組み込む。 本研究では,入力空間の位置符号化にDAFF(Domain-Aware Fourier Features)を用いる新しいモデリング手法を提案する。
  論文  参考訳（メタデータ） (2026-03-03T12:55:53Z)
• Overcoming the Loss Conditioning Bottleneck in Optimization-Based PDE Solvers: A Novel Well-Conditioned Loss Function [1.6135205846394396]
  近年,スカラー損失関数を最小化するPDEソルバが注目されている。 このような手法は古典的反復解法よりもはるかにゆっくりと収束し、一般に非効率的とみなされる。 この研究は理論的な洞察を与え、平均二乗誤差(MSE)損失の使用に非効率性をもたらす。 重みパラメータをチューニングすることにより、制限ケースでのMSE損失を低減しつつ、元のシステムとその正規方程式の間の条件数を柔軟に変調する。
  論文  参考訳（メタデータ） (2025-07-24T10:17:02Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• 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)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• SetPINNs: Set-based Physics-informed Neural Networks [31.193471532024407]
  ローカル依存関係を効果的にキャプチャするフレームワークであるSetPINNを紹介する。 ドメインを集合に分割して、物理法則を同時に適用しながら、局所的な依存関係をモデル化します。 合成および実世界のタスクの実験では、精度、効率、堅牢性が改善された。
  論文  参考訳（メタデータ） (2024-09-30T11:41:58Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation [60.706803227003995]
  FC-PINO(Fourier-Continuation-based PINO)アーキテクチャを導入し、PINOの精度と効率を非周期的および非滑らかなPDEに拡張する。 標準的なPINOは、非周期的および非滑らかなPDEを高い精度で、挑戦的なベンチマークで解くのに苦労していることを実証する。 対照的に、提案されたFC-PINOは、正確で堅牢でスケーラブルなソリューションを提供し、PINOの代替案よりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-11-29T06:37:54Z)
• Multi-Objective Loss Balancing for Physics-Informed Deep Learning [0.0]
  PINNを効果的に訓練するために、複数の競合損失関数の組み合わせを正しく重み付けする役割を観察する。 本稿では,ReLoBRaLoと呼ばれるPINNの自己適応的損失分散を提案する。 シミュレーションにより、ReLoBRaLoトレーニングは、他のバランシング手法によるPINNのトレーニングよりもはるかに高速で精度の高いことが示されている。
  論文  参考訳（メタデータ） (2021-10-19T09:00:12Z)

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。