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。
STEM応用の予測モデルを改善するために,入力パラメータから計算した補足物理ベース特徴を,深いニューラルネットワーク(DNN)の単一および多重層に導入した。多くの研究は,微分方程式または数値シミュレーションによる物理によるDNNの形成に焦点を合わせているが,単純化された関係の統合を通して,多くの可能性がある。この仮説を評価するために,全てのエッジに単純支持された多数の薄い長方形板を5つの材料に対してシミュレートした。入力特徴としてのプレート寸法と材料特性,および唯一の出力としての基本固有振動数を用いて,純粋データ駆動DNNベースモデルの予測性能を,ベースラインパラメータ,すなわち,板重量,剛性係数,およびせん断弾性率の間の単純化物理的関係から計算された追加入力を用いたモデルと比較した。モデル精度に対する利点をより良く理解するために,これらの付加的特徴を様々な単一および多重DNN層に注入し,4つの異なるデータセットサイズで訓練した。これらの物理増強モデルを同じ材料の独立データと訓練セットに対する類似の次元に対して評価した場合,簡略化した物理ベースパラメータによる補足は60とそれ以上のデータセットサイズで訓練されたモデルに対する予測誤差のほとんど減少を与えなかったが,19.3%から16.1%までの小さな改善は30のスパースサイズで訓練されたときに起こった。逆に,独立した試験データが訓練セットに合致しない材料および寸法である場合,顕著な精度利得が生じる。特に,物理増強データを複数のDNN層に注入すると,33.2%から19.6%,34.9%から19.9%,35.8%から22.4%,および43.0%から28.4%への誤差の低減が,それぞれ261,117,60および30の訓練データセットサイズに対して達成され,一般化可能性の程度の達成を示した。【JST・京大機械翻訳】