抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
知識埋め込みの方法としてニューラルネットワークに物理的制約を課すことは,支配方程式によって記述される物理的問題を解決する際に大きな進歩を達成した。しかし,多くの工学問題に対して,支配方程式はしばしば複雑な部分導関数あるいは確率的物理場を含む複雑な形式を持ち,実装の展望から有意な不便性をもたらす。本論文では,AutoKEと呼ばれる科学的機械学習フレームワークを提案し,このフレームワークが物理的知識を埋め込むプロセスを効果的に自動化できることを実証するための例として,貯留層フロー問題を取り上げる。自動KEにおいて,深いニューラルネットワーク(DNN)から成るエミュレータを,関心の物理的変数を予測するために構築した。任意複合方程式を,方程式パーザモジュールを通して計算グラフに解析,自動的に変換することができ,そして,支配方程式へのエミュレータの適応性を,自動微分を通して評価した。さらに,損失関数の固定重みをLagrange二重法を組み込むことにより適応重みで置換した。また,特定の問題に従ってエミュレータの最適ネットワークアーキテクチャを選択するために,ニューラルネットワーク探索(NAS)をAutoKEに導入した。最後に,エミュレータのスケーラビリティを高めるために転送学習を適用した。実験では,フレームワークは,重い手の符号化なしでエミュレータに物理的知識を自動的に埋め込むことができる一連の物理的問題によって検証される。結果は,エミュレータが正確な予測を行うだけでなく,転送学習による高効率の類似問題にも応用できることを示した。【JST・京大機械翻訳】