論文の概要: Predicting Subsurface Abnormalities Growth using Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2609.01417v1
- Date: Tue, 01 Sep 2026 15:34:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.804366
- Title: Predicting Subsurface Abnormalities Growth using 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よる地下異常成長予測
- Authors: Mehrdad Shafiei Dizaji, Hoda Azari,
- Abstract要約: この研究は、物理情報ニューラルネットワーク(PINN)のGPRデータ予測領域への先駆的な統合を探求している。
本研究は,GPRデータの解釈と予測に熟練した,特殊なPINNモデルのための詳細な開発フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The research explores the pioneering integration of Physics-Informed Neural Networks (PINNs) into the domain of Ground-Penetrating Radar (GPR) data prediction. This research presents a detailed development framework for a specialized PINN model, proficient at interpreting and forecasting GPR data, much like how medical imaging models predict tumor behavior. By harnessing the synergy between deep learning algorithms and the physical laws governing subsurface structures or in medical terms, human tissues the model effectively embeds the physics of electromagnetic wave propagation into its architecture. This ensures that predictions not only align with fundamental physical principles but also mirror the precision needed in medical diagnostics for detecting and monitoring tumors. The suggested deep learning structure comprises three components: a CNN, a spatial feature channel attention (SFCA) mechanism, and ConvLSTM, along with temporal feature frame attention (TFFA) modules. The attention mechanism computes channel attention and temporal attention weights using self-adaptation, thereby fine tuning the visual and temporal feature responses to extract the most pertinent and significant visual and temporal features. By integrating physics directly into the neural network, our model has shown enhanced accuracy in forecasting GPR data. This improvement is vital for conducting effective assessments of bridge deck conditions and other evaluations related to civil infrastructure. The use of Physics Informed Neural Networks (PINNs) has demonstrated the potential to transform the field of Non-Destructive Evaluation (NDE) by enhancing the precision of infrastructure deterioration predictions. Moreover, it offers a deeper insight into the fundamental mechanisms of deterioration, viewed through the prism of physics-based models.
- Abstract（参考訳）: この研究は、物理情報ニューラルネットワーク(PINN)のGPRデータ予測領域への先駆的な統合を探求している。
本研究は、医療画像モデルが腫瘍の挙動を予測する方法と同様に、GPRデータの解釈と予測に熟練した、特殊なPINNモデルのための詳細な開発枠組みを提示する。
深層学習アルゴリズムと地下構造を規定する物理法則の相乗効果を生かして、人間の組織は、その構造に電磁波の伝播の物理を効果的に埋め込む。
これにより、予測は基本的な物理原理と一致するだけでなく、腫瘍の検出とモニタリングに必要とされる精度を反映する。
提案するディープラーニング構造は,CNN,空間的特徴チャネルアテンション(SFCA)機構,ConvLSTM,時間的特徴フレームアテンション(TFFA)モジュールの3つのコンポーネントから構成される。
このアテンション機構は、自己適応を用いてチャネルのアテンションと時間的アテンションの重みを計算し、視覚的および時間的特徴応答を微調整し、最も重要な視覚的及び時間的特徴を抽出する。
ニューラルネットワークに物理を直接組み込むことで,GPRデータの予測精度が向上した。
この改良は,橋脚条件や土木インフラに関する評価を効果的に行う上で重要である。
物理情報ニューラルネットワーク(PINN)の利用は、インフラストラクチャ劣化予測の精度を高めることにより、非破壊的評価(NDE)の分野を変革する可能性を実証している。
さらに、物理学に基づくモデルのプリズムを通して見る、劣化の基本的なメカニズムに関する深い洞察を提供する。
関連論文リスト
- A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。
PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。
これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
論文 参考訳（メタデータ） (2026-05-29T07:26:35Z) - Physics-Embedded Feature Learning for AI in Medical Imaging [4.951195507300242]
PhysNetは物理組み込みのディープラーニングフレームワークで、腫瘍成長のダイナミクスを直接特徴学習プロセスに統合する。
このアーキテクチャは、潜伏する腫瘍密度場を学習しながら、複数クラスの腫瘍分類を共同で行う。
PhysNetは解釈可能な潜伏表現を生成し、確立された医療知識と整合する生体物理パラメータを学習する。
論文 参考訳（メタデータ） (2026-03-30T05:45:27Z) - Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
我々はKirchhoff-Inspired Neural Network (KINN)を提案する。
KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
論文 参考訳（メタデータ） (2026-03-25T06:17:31Z) - BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。
局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。
例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
論文 参考訳（メタデータ） (2026-01-12T08:37:47Z) - Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳（メタデータ） (2025-10-14T17:44:45Z) - TG-PhyNN: An Enhanced Physically-Aware Graph Neural Network framework for forecasting Spatio-Temporal Data [3.268628956733623]
この研究は、新しいテンポラルグラフ物理インフォームドニューラルネットワークフレームワークであるTG-PhyNNを提示する。
TG-PhyNNは、グラフベースのモデリングにGNNのパワーを活用しながら、トレーニング中に物理的な制約を指針原理として組み込む。
以上の結果から,TG-PhyNNは従来の予測モデルよりも有意に優れていた。
TG-PhyNNは、物理プロセスがデータのダイナミクスを制御しているさまざまな領域において、より信頼性が高く正確な予測を提供するために、効果的に活用する。
論文 参考訳（メタデータ） (2024-08-29T09:41:17Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction [1.8554335256160261]
STA-HPINN(spatatio-temporal Attention-based Hidden Physics-informed Neural Network)を導入する。
隠れた物理インフォームドニューラルネットワークを用いて、RULの進化を管理する次元物理機構を捉える。
このアプローチはベンチマークデータセットで検証され、最先端のメソッドと比較して、例外的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-05-20T21:10:18Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。
提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。
実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2021-10-27T03:30:18Z)
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。