論文の概要: Physics-informed neural networks in the small-data regime: A controlled comparison with classical PDE surrogates
- arxiv url: http://arxiv.org/abs/2611.12424v1
- Date: Mon, 09 Nov 2026 13:49:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:38.344912
- Title: Physics-informed neural networks in the small-data regime: A controlled comparison with classical PDE surrogates
- Title(参考訳): 物理インフォームドニューラルネットワーク : 古典的PDEサロゲートとの比較
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)が,少ないラベル付き観測から正確な予測を達成できるかどうかを検討する。
階層的損失重み付け(H-PINN)とその勾配方向認識拡張(HO-PINN)を導入する。
結果は、既知の物理学は、非常に少ない解の観測から正確な神経代理予測を支持できることを示した。
- 参考スコア(独自算出の注目度): 39.20268547244057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural surrogates for engineering models are often trained on large collections of simulated solutions. We investigate whether physics-informed neural networks (PINNs) can achieve accurate predictions from scarce labelled observations by incorporating governing equations and prescribed initial and boundary conditions. We introduce hierarchical loss weighting (H-PINN) and its gradient-direction-aware extension (HO-PINN), which adjust the emphasis on physical constraints according to higher-priority losses. Hierarchical PINNs are compared with Vanilla PINN, tuned gradient boosting, support-vector regression, and Gaussian-process regression on a heat equation and three heterogeneous two-phase-flow benchmarks. Experiments use 20--1000 labelled states and ten paired seeds. Each label is one coordinate--state observation, not a complete simulation. At least one PINN variant achieves the highest mean primary-target \(R^2\) in each interpolation and equation-assisted forecasting comparison at 20 and 50 labels. The advantage for water saturation persists across all tested budgets. Hierarchical weighting reduces variability across runs in selected settings. These results demonstrate that known physics can support accurate neural surrogate predictions from very few solution observations, at substantially higher fitting cost than the tested classical regressors.
- Abstract(参考訳): 工学モデルのためのニューラルサロゲートは、しばしばシミュレーションされたソリューションの大規模なコレクションで訓練される。
物理インフォームドニューラルネットワーク (PINN) が, 支配方程式と所定の初期条件と境界条件を組み込むことで, ラベル付き観測の少ないことから, 正確な予測を達成できるかどうかを検討する。
階層的損失重み付け (H-PINN) と勾配指向性拡張 (HO-PINN) を導入し, 高次損失に応じて身体的制約の強調を調整した。
階層型PINNは、バニラPINN、調整勾配向上、支持ベクトル回帰、熱方程式上のガウス過程回帰、3つの異種二相流ベンチマークと比較される。
実験では20-1000のラベル付き状態と10対のシードを用いており、それぞれのラベルは完全なシミュレーションではなく1つの座標状態の観測である。
少なくとも1つのPINN変種は、20ラベルと50ラベルの補間および方程式支援予測比較において、最も平均的な一次目標 \(R^2\) を達成する。
水飽和の利点は、試験された全ての予算にわたって持続する。
階層的な重み付けは、選択した設定での実行間のばらつきを低減する。
これらの結果は、既知の物理学が、実験された古典的回帰器よりもはるかに高い適合コストで、非常に少ない解の観測から正確な神経代理予測を支持できることを証明している。
関連論文リスト
- Implicit Regularization and Generalization in Overparameterized Neural Networks [0.0]
小さなバッチサイズは一貫して低いテストエラーとフラットなミニマを生み出した。
スパースワークは、再訓練された際の完全なモデル性能の1.15ポイント以内に達成されたパラメータの10%しか保持していない。
論文 参考訳(メタデータ) (2026-04-08T21:21:44Z) - Why Machine Learning Models Systematically Underestimate Extreme Values II: How to Fix It with LatentNN [0.2700171473617699]
減衰バイアスは、天文学的なデータ駆動モデルに影響を与える。
ニューラルネットワークは同じ減衰バイアスに悩まされていることを示す。
ネットワークパラメータと潜時入力値を協調的に最適化するLatentNNを提案する。
論文 参考訳(メタデータ) (2025-12-29T01:59:10Z) - Neural PDE Solvers with Physics Constraints: A Comparative Study of PINNs, DRM, and WANs [1.131316248570352]
部分方程式 (PDE) は、科学や工学にまたがるモデルを支えるが、解析解は非定型であり、古典的なメッシュベースの解法は高次元でコストがかかる。
この論文は、3つのメッシュフリーニューラルネットワークPDEソルバ、物理インフォームドニューラルネットワーク(PINN)、ディープリッツ法(DRM)、弱い敵ネットワーク(WAN)、ポアソン問題(最大5D)と1D/2Dにおける時間非依存シュラーオーディンガー方程式の統一的な比較を提示する。
論文 参考訳(メタデータ) (2025-10-09T13:41:51Z) - Improving PINNs By Algebraic Inclusion of Boundary and Initial Conditions [0.1874930567916036]
AI for Science」は、AI技術を用いた基本的な科学的問題を解決することを目的としている。
本研究では、トレーニング対象のモデルを単にニューラルネットワークから非線形変換に変更する可能性について検討する。
これにより、損失関数の項数は標準のPINN損失よりも減少する。
論文 参考訳(メタデータ) (2024-07-30T11:19:48Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - 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) - Neuroevolution of Physics-Informed Neural Nets: Benchmark Problems and
Comparative Results [25.12291688711645]
物理インフォームドニューラルネットワーク(PINN)は、最近の進歩の最前線にある重要な技術の一つである。
PINNのユニークな損失の定式化は、勾配降下に寄与しない高い複雑さと頑丈さをもたらす。
優れたグローバル検索能力を持つ神経進化アルゴリズムは、PINNにとってより良い選択であるかもしれない。
論文 参考訳(メタデータ) (2022-12-15T05:54:16Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳(メタデータ) (2021-09-29T07:46:54Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T19:08:53Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳(メタデータ) (2020-04-20T18:12:56Z)
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。