物理的に形成したニューラルネットワークによるThrombus材料特性の非侵襲推論【JST・京大機械翻訳】

Yin Minglang; Zheng Xiaoning; Humphrey Jay D.; Karniadakis George Em

プレプリント

J-GLOBAL ID：202202219464502625 整理番号：21P0032888

物理的に形成したニューラルネットワークによるThrombus材料特性の非侵襲推論【JST・京大機械翻訳】

Non-invasive Inference of Thrombus Material Properties with Physics-informed Neural Networks

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 (4件)： , , ,
資料名：
発行年： 2020年05月22日プレプリントサーバーでの情報更新日： 2020年05月22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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

合成データを用いて生物材料の特性を推論するために,物理情報ニューラルネットワーク(PINN)を採用した。特に,著者らは,4次Cahn-HilliardとNavier-Stokes方程式によって記述することができる,血栓変形データからの血栓透過性と粘弾性率を推論するPINNを成功裏に適用した。PINNでは,偏微分方程式を損失関数に符号化し,そこでは部分導関数を自動微分(AD)により得ることができる。さらに,ADによるCahn-Hilliard方程式における4次導関数の計算の課題に取り組むために,著者らは,エネルギーポテンシャル項の第2導関数を近似するために,主ニューラルネットワークとともに補助ネットワークを導入した。本モデルは,すべてのデータ,すなわち,フェーズフィールドと圧力測定の間の部分情報による単に訓練によって,未知パラメータと速度,圧力,および変形勾配場を同時に予測することができ,また,データ収集のために空間時間ドメイン内のサンプリングにおいて非常に柔軟である。スペクトル/hp要素法(SEM)からの数値解によりこのモデルを検証し,雑音測定による訓練によりロバスト性を示した。著者らの結果は,PINNが雑音合成データで材料特性を正確に推論でき,従って,それらは実験的マルチモダリティとマルチ忠実度データからこれらの特性を与える大きな可能性を有することを示した。【JST・京大機械翻訳】

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

数値計算

, , , ,

前のページに戻る