UAV音場の物理注入機械学習モデルにおける移動マッピングの効率的訓練【JST・京大機械翻訳】

Iqbal Rayhaan; Behjat Amir; Adlakha Revant; Callanan Jesse; Nouh Mostafa; Chowdhury Souma

プレプリント

J-GLOBAL ID：202202200532963145 整理番号：22P0275250

UAV音場の物理注入機械学習モデルにおける移動マッピングの効率的訓練【JST・京大機械翻訳】

Efficient Training of Transfer Mapping in Physics-Infused Machine Learning Models of UAV Acoustic Field

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月16日プレプリントサーバーでの情報更新日： 2022年01月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

物理融合マシン学習(PIML)アーキテクチャは,計算効率の良い低忠実度(部分)物理モデルと機械学習の統合を目的とし,純粋データ駆動近似モデルと比較して,雑音に対する一般化可能性,外挿可能性,およびロバスト性を改善した。最近,新しいPIMLアーキテクチャを,転送ニューラルネットワークを用いて元の入力を潜在特徴に転送する,Opportunistic Physical-minging Transfering Anamic Achite またはOPTMAとして知られる,同じ著者によって報告した。次に,部分物理モデルは,高忠実度出力にできるだけ近い最終出力を生成するために潜在特徴を使用する。教師つき学習による勾配フリーソルバとバックプロパゲーションはOPTMAを訓練するために以前に使用されたが,この手法は計算的に非効率であり,異なる問題や一般的なML実装を一般化するのに挑戦する。本論文は,一般的なMLフレームワーク,PyTトーチにおけるテンソルによって記述されるように,ニューラルネットワーク内部の部分物理モデルを注入することによって,これらの問題を軽減することを目指した。このような記述は,部分物理モデルの自動分化(AD)も自然に許容し,それによって,転送ネットワークを訓練するための効率的な逆伝搬法の利用を可能にする。AD(OPTMA-Net)によるアップグレードOPTMAアーキテクチャの利点を,ホバリング無人機(UAV)によって作られた音圧場をモデル化する問題に適用することによって実証した。この問題に対するグランドトルースデータを屋内UAV騒音測定装置から得た。ここで,部分物理モデルは任意の数の音響単極源によって発生する音圧波の干渉に基づいている。事例研究は,OPTMA-Netが,純粋なデータ駆動モデルによって与えられたものより,4倍良い汎化性能と外挿性能を提供することを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

, , , , , ,

前のページに戻る