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。
ビッグデータベースの人工知能(AI)は,科学と技術のほとんど全てにおいて,大きな進化をサポートする。しかし,モデリングと予測マルチ物理システムは,避けられないデータ不足とノイズのため,課題のままである。ニューラルネットワークの一般化能力を「チャッシング」ドメイン知識により改善して,物理的法則と組み合わせた新世代のモデルを開発することは,機械学習研究の有望な分野になった。物理的情報(PINN)を埋め込んだ「深い」完全接続ニューラルネットワークと異なり,物理場がデコンボリューション層と単一畳込み層によって生成されるCNN透視から,物理情報畳込みネットワーク(PICN)と呼ばれる新しい浅いフレームワークを推薦した。物理的演算子を形成する差分場を事前訓練した浅い畳み込み層を用いて構築した。効率的な線形補間ネットワークは,境界条件と不規則な幾何学領域における物理的制約を含む損失関数を計算する。電流開発の有効性を,非線形物理演算子方程式の解決(および推定)および雑音観測からの物理的情報の回復を含む,いくつかの数値例を通して例証した。マルチ周波数成分による物理場を近似するその潜在的利点は,PICNが物理情報機械学習における代替ニューラルネットワークソルバになるかもしれないことを示している。【JST・京大機械翻訳】