文献

J-GLOBAL ID：202202221781680407   整理番号：22A0747243

逆Dirichlet重みづけは物理形成ニューラルネットワークの信頼できる訓練を可能にする【JST・京大機械翻訳】

Inverse Dirichlet weighting enables reliable training of physics informed neural networks

著者 (14件)： Maddu Suryanarayana (Technische Universitaet Dresden, Faculty of Computer Science, 01069 Dresden, Germany) ,  Maddu Suryanarayana (Max Planck Institute of Molecular Cell Biology and Genetics, 01307 Dresden, Germany) ,  Maddu Suryanarayana (Center for Systems Biology Dresden, 01307 Dresden, Germany) ,  Maddu Suryanarayana (Center for Scalable Data Analytics and Artificial Intelligence ScaDS.AI, Dresden/Leipzig, Germany) ,  Sturm Dominik (Helmholtz-Zentrum Dresden-Rossendorf, D-01328 Dresden, Germany) ,  Sturm Dominik (Center for Advanced Systems Understanding (CASUS), D-02826 Gorlitz, Germany) ,  Mueller Christian L (Center for Computational Mathematics, Flatiron Institute, New York, NY, United States of America) ,  Mueller Christian L (Department of Statistics, LMU Muenchen, Munich, Germany) ,  Mueller Christian L (Institute of Computational Biology, Helmholtz Zentrum Muenchen, D-85764 Neuherberg, Germany) ,  Sbalzarini Ivo F (Technische Universitaet Dresden, Faculty of Computer Science, 01069 Dresden, Germany) ,  Sbalzarini Ivo F (Max Planck Institute of Molecular Cell Biology and Genetics, 01307 Dresden, Germany) ,  Sbalzarini Ivo F (Center for Systems Biology Dresden, 01307 Dresden, Germany) ,  Sbalzarini Ivo F (Center for Scalable Data Analytics and Artificial Intelligence ScaDS.AI, Dresden/Leipzig, Germany) ,  Sbalzarini Ivo F (Cluster of Excellence Physics of Life, TU Dresden, Germany)
資料名： Machine Learning: Science and Technology  (Machine Learning: Science and Technology)
巻： 3  号： 1  ページ： 015026 (22pp)  発行年： 2022年 
JST資料番号： W6456A  ISSN： 2632-2153  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 物理インフォームドニューラルネットワーク(PINN)のような深層ニューラルネットワークの訓練中のスケール不均衡によるマルチスケール動力学から生じる故障モードを特性化し,修復する。PINNは,データによる物理方程式モデルのシームレスな統合を可能にする一般的な機械学習テンプレートである。それらの訓練量は,データ-忠実度と方程式-忠実度目的の加重和に関する最適化問題を解決する。目的間のコンフリクトは,スケール不均衡,データにおける異分散性,物理方程式の剛性,あるいは逐次訓練中の壊滅的干渉から生じる。これから生じる訓練病理学を説明し,この問題を軽減するための単純だが効果的な逆Dirichlet重み付け戦略を提案した。ニューラルネットワークのSobolev訓練と比較し,解析的ε最適訓練のベースラインを提供した。アクティブ乱流のマルチスケールモデルを含む,様々なアプリケーションにおける逆Dirichlet重み付けの有効性を実証し,ここでは,従来のPINN訓練に対する精度および収束において,次数改善の次数を示した。逐次訓練を用いた逆モデリングでは,逆Dirichlet重み付けがPINNを壊滅的忘却から保護することを見出した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 干渉 ,  乱流 ,  最適化問題 ,  剛性 ,  *ニューラルネットワーク ,  応用プログラム ,  分散度 ,  重みづけ ,  基準線 ,  キャラクタリゼーション ,  有効性 ,  故障モード ,  機械学習
準シソーラス用語： 不均衡 ,  マルチスケール , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 重みづけ ,  物理 ,  ニューラルネットワーク ,  信頼 ,  訓練