時間依存偏微分方程式のための物理情報RNN-DCTネットワーク【JST・京大機械翻訳】

Wu Benjamin; Hennigh Oliver; Kautz Jan; Choudhry Sanjay; Byeon Wonmin

プレプリント

J-GLOBAL ID：202202208931583586 整理番号：22P0294970

時間依存偏微分方程式のための物理情報RNN-DCTネットワーク【JST・京大機械翻訳】

Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations

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 (5件)： , , , ,
資料名：
発行年： 2022年02月24日プレプリントサーバーでの情報更新日： 2022年02月24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は,一般的な非線形偏微分方程式によって記述される物理的法則によって訓練される。しかし,従来のアーキテクチャは,それらの建築的性質により,より挑戦的な時間依存問題を解くのに苦労する。本研究では,時間依存偏微分方程式を解くための新しい物理情報フレームワークを提案した。支配微分方程式と問題初期および境界条件のみを用いて,この問題の時空間動力学の潜在表現を生成した。著者らのモデルは,時間発展を処理するために空間周波数と再帰ニューラルネットワークを符号化するために離散余弦変換を利用する。これは,物理情報モデルの追加条件付けに使用される圧縮表現を効率的かつ柔軟に生成する。Navier-Stokes方程式に対するTaylor-Green渦解に関する実験結果を示した。提案モデルは,他の物理情報基準モデルと比較して,Taylor-Green渦に関する最先端の性能を達成した。【JST・京大機械翻訳】

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

人工知能 , 数値計算

, , ,

前のページに戻る