物理学情報ニューラルネットワークによる科学機械学習:我々はどこに,そして次は何か【JST・京大機械翻訳】

Cuomo Salvatore; di Cola Vincenzo Schiano; Giampaolo Fabio; Rozza Gianluigi; Raissi Maziar; Piccialli Francesco

プレプリント

J-GLOBAL ID：202202207114407729 整理番号：22P0274784

物理学情報ニューラルネットワークによる科学機械学習:我々はどこに,そして次は何か【JST・京大機械翻訳】

Scientific Machine Learning through Physics-Informed Neural Networks: Where we are and What's next

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14日プレプリントサーバーでの情報更新日： 2022年06月07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)

物理情報ニューラルネットワーク(PINN)は,ニューラルネットワーク自体の構成要素として,偏微分方程式(PDE)のようなモデル方程式を符号化するニューラルネットワーク(NN)である。PINNは,今日,PDE,分数方程式,積分微分方程式,および確率的PDEを解くために使用されている。この新規方法論は,NNが観測データに適合し,一方,PDE残差を縮小するマルチタスク学習フレームワークとして生じている。本論文は,PINNに関する文献の包括的なレビューを提供する:一方,研究の第一目標は,これらのネットワークとそれらの関連する利点と短所を特徴づけることであった。また,レビューは,vanilla PINNを形成する広範囲の選点ベース物理学情報ニューラルネットワーク,ならびに,物理制約ニューラルネットワーク(PCNN),変分hp-VPINN,および保存PINN(CPINN)のような多くの他の変種に関する出版物を組み込む試みも試みたものである。”その研究”は,また,多くの他の変種(例えば,物理制約ニューラルネットワーク(PCNN),変分hp-VPINN,および保存的PINN(CPINN))を形成する。研究は,ほとんどの研究が,異なる活性化関数,勾配最適化技術,ニューラルネットワーク構造,および損失関数構造を通してPINNをカスタマイズすることに焦点を合わせていることを示している。PINNが使用されている広範囲の応用にもかかわらず,有限要素法(FEM)のような古典的数値技術よりもいくつかの文脈においてより実行可能である能力を示すことによって,進歩は,まだ未解決のままである,最も注目すべき理論的課題であった。【JST・京大機械翻訳】

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

ニューロコンピュータ , 人工知能 , システム同定 , 数値計算

, , ,

前のページに戻る