Fugu-MT 論文翻訳(概要): Comparison of a Parametric Physics-Informed Neural Network and a Tensorial Reduced-Order Model for the Shallow-Water Dam-Break Problem

論文の概要: Comparison of a Parametric Physics-Informed Neural Network and a Tensorial Reduced-Order Model for the Shallow-Water Dam-Break Problem

arxiv url: http://arxiv.org/abs/2607.27433v1
Date: Wed, 29 Jul 2026 20:00:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.319774
Title: Comparison of a Parametric Physics-Informed Neural Network and a Tensorial Reduced-Order Model for the Shallow-Water Dam-Break Problem
Title（参考訳）: 浅水ダムブリーク問題に対するパラメトリック物理インフォームニューラルネットワークとテンソル還元次数モデルの比較
Abstract要約: 物理インフォームドニューラルネットワーク(PINN)と非侵入的テンソルリダクションモデル(TROM)の2つのデータ駆動型リダクションモデルを開発した。どちらのモデルも時間積分を必要とせず、空間、時間、ダム破りのパラメータから物理状態への直接的な解写像を学ぶ。
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 develop two parametric data-driven reduced models: a physics-informed neural network (PINN) and a non-intrusive tensorial reduced-order model (TROM), and apply both approaches to the parametrized one-dimensional shallow-water dam-break problem. Both reduced models do not require time integration and learn a direct solution map from space, time, and dam-break parameters to the physical state. We present a detailed comparison for out-of-sample and extrapolated parameter values. In addition, we demonstrate that it is essential to introduce shock-aware collocation to improve the robustness of the PINN model.
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) と非侵入的テンソルリダクションモデル (TROM) の2つのパラメトリックデータ駆動型リダクションモデルを開発し, パラメトリック化1次元浅水ダム破壊問題に適用した。どちらのモデルも時間積分を必要とせず、空間、時間、ダム破りのパラメータから物理状態への直接的な解写像を学ぶ。本稿では,外挿パラメータ値と外挿パラメータ値の詳細な比較を行う。さらに, PINNモデルのロバスト性を改善するためには, 衝撃認識型コロケーションの導入が不可欠であることを示す。

関連論文リスト

Hybrid Adaptive Modeling in Process Monitoring: Leveraging Sequence Encoders and Physics-Informed Neural Networks [0.5219568203653523]
本稿では,動的パラメータ,境界条件,初期条件を符号化するDeep Sequencesを用いたアーキテクチャを提案する。本モデルでは,入力速度分布を同定するために数点の圧力データを符号化し,物理を用いて領域全体の速度と圧力を計算する。
論文参考訳（メタデータ） (2025-05-20T12:05:17Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)
SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems [0.0]
本稿では,ディープラーニング技術を活用した逆問題の解法を提案する。目的は、観測データに基づいて物理システムを管理する未知のパラメータを推論することである。
論文参考訳（メタデータ） (2023-09-27T06:34:55Z)
Active-Learning-Driven Surrogate Modeling for Efficient Simulation of Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文参考訳（メタデータ） (2023-06-09T18:01:14Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Achieving Occam's Razor: Deep Learning for Optimal Model Reduction [0.07499722271664146]
オッカムのカミソリは、良いモデルは、表現するシステムを記述するのに必要な最小限のパラメータ以外のパラメータを除外すべきである、という原則を指している。これは、冗長性がデータからモデルパラメータの誤った推定を導き、したがって不正確なあるいは曖昧な結論をもたらすためである。我々は,Occamのカミソリに対処するために,ディープラーニングがいかに強力に活用できるかを示す。
論文参考訳（メタデータ） (2023-03-24T01:58:58Z)
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文参考訳（メタデータ） (2022-04-13T08:53:41Z)
Hierarchical model reduction driven by machine learning for parametric advection-diffusion-reaction problems in the presence of noisy data [0.0]
本稿では,雑音データの存在下でのパラメトリック楕円問題に対する信頼度低減モデルを生成するための新しい手法を提案する。ノイズの影響を受ければ,方向方向のHiPODの精度が低下することを示す。我々は、無関係なノイズからデータ中の関連する物理的特徴をよりよく識別する機械学習フィッティングモデルに取って代わる。
論文参考訳（メタデータ） (2022-04-01T16:02:05Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文参考訳（メタデータ） (2021-06-01T19:19:49Z)
Parameter Estimation with Dense and Convolutional Neural Networks Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文参考訳（メタデータ） (2020-12-12T01:20:42Z)
On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文参考訳（メタデータ） (2020-10-06T11:47:20Z)

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。