モデル予測精度を増加させるための単純化物理ベース特徴による深層ニューラルネットワークの補足【JST・京大機械翻訳】

Clinkinbeard Nicholus R.; Hashemi Prof. Nicole N.

プレプリント

J-GLOBAL ID：202202210968207856 整理番号：22P0332052

モデル予測精度を増加させるための単純化物理ベース特徴による深層ニューラルネットワークの補足【JST・京大機械翻訳】

Supplementation of deep neural networks with simplified physics-based features to increase model prediction accuracy

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 (2件)： ,
資料名：
発行年： 2022年04月14日プレプリントサーバーでの情報更新日： 2022年04月14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)

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】

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

脳・神経系モデル , 人工知能 , 音声処理 , その他の情報処理

, , , , ,

前のページに戻る