ミニマックスアーキテクチャによる物理制約ニューラルネットワークの訓練のための双対二量体法【JST・京大機械翻訳】

Liu Dehao; Wang Yan

プレプリント

J-GLOBAL ID：202202219532854900 整理番号：21P0030766

ミニマックスアーキテクチャによる物理制約ニューラルネットワークの訓練のための双対二量体法【JST・京大機械翻訳】

A Dual-Dimer Method for Training Physics-Constrained Neural Networks with Minimax Architecture

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： 2020年05月01日プレプリントサーバーでの情報更新日： 2021年01月01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。

データスパース性は,実験およびシミュレーションが高価であるエンジニアリングおよび科学的応用に対するニューラルネットワークのような機械学習ツールを訓練する共通の問題である。最近,物理制約ニューラルネットワーク(PCNN)を開発し,必要な訓練データ量を低減した。しかし,データと物理的制約からの異なる損失の重みはPCNNで経験的に調整される。本論文では,ミニマックスアーキテクチャ(PCNN-MM)を持つ新しい物理制約ニューラルネットワークを提案し,異なる損失の重みを系統的に調整できるようにした。PCNN-MMの訓練は目的関数の高次鞍点を探索する。二重二量体法と呼ばれる新しい鞍点探索アルゴリズムを開発した。二重二量体法は,非凸型非凹関数に対する勾配降下上昇法よりも計算的に効率的であり,探索結果を検証するために付加的固有値情報を提供することを実証した。また,熱伝達用例は,PCNN-MMの収束が従来のPCNNのものより速いことを示した。【JST・京大機械翻訳】

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

ニューロコンピュータ , 人工知能

, , , , ,

前のページに戻る