물리 기반 신경망의 효율적인 학습을 위한 적응형 콜로케이션 및 실험 데이터 선택 알고리즘
본 연구는 물리 기반 신경망(PINN)의 학습을 위해 모든 유형의 학습 데이터(실험 데이터, 편미분 방정식 콜로케이션 데이터, 초기/경계 조건 콜로케이션 데이터)를 동시에 최적화하는 PINNACLE 알고리즘을 제안한다. PINNACLE은 다양한 데이터 유형 간의 상호작용을 고려하여 학습 수렴 속도를 높이고 일반화 성능을 향상시킨다.
물리 기반 동역학을 활용한 의미 있는 표현 학습
물리 기반 동역학 제약을 통해 의미 있는 잠재 표현을 학습할 수 있다.
물리 기반 신경망의 수렴 속도 향상: 경계 조건을 활용한 사전 지식을 통한 더 빠른 수렴
물리 기반 신경망의 수렴 속도를 향상시키기 위해 신경망의 초기 가중치 상태, 영역 대 경계점 비율, 손실 가중치 요인을 균형화하는 새로운 두 단계 학습 방법을 제안한다.
실험적 데이터 없이도 일반적인 ODE 시스템의 느린 불변 다양체 근사를 위한 물리 기반 신경망 방법
본 연구는 실험적 데이터 없이도 일반적인 ODE 시스템의 느린 불변 다양체를 근사할 수 있는 물리 기반 신경망 방법을 제안한다. 이 방법은 빠른 변수와 느린 변수를 동시에 분해하고 폐쇄형 형태의 불변 다양체 함수를 제공한다.
물리 기반 합성곱 신경망을 이용한 이상 유체 다상 다르시 유동의 시뮬레이션 및 예측
물리 기반 신경망 모델을 이용하여 불연속적인 입력 데이터를 효과적으로 처리하고, 이를 통해 다상 다르시 유동 문제에 대한 정확한 예측을 수행할 수 있다.
물리 기반 기계 학습을 통한 광학 스펙트럼 데이터의 역문제 해결
물리 원리를 활용한 정규화된 순환 추론 기계(rRIM) 모델을 제안하여 측정된 광학 스펙트럼으로부터 쌍극자 접착 함수를 안정적으로 추출할 수 있음.
데이터 기반 변화점 탐지를 위한 온라인 최적화 물리 정보 신경망
물리 정보 신경망(PINNs)을 활용하여 편미분 방정식 동역학에서 발생하는 변화점을 탐지하고 모델 매개변수를 동시에 추정하는 방법을 제안한다. 또한 온라인 학습 기법을 통해 손실 함수의 가중치를 동적으로 조정하여 모델의 안정성과 성능을 향상시킨다.
물리 정보가 포함된 확산 모델
확산 모델의 생성 샘플이 물리적 제약 조건을 준수하도록 모델 학습 과정에 물리 정보를 직접 반영하는 새로운 접근법을 제안한다.
물리 정보가 포함된 확산 모델: 복잡한 데이터 분포 학습과 물리적 제약 준수
확산 모델의 생성 능력을 향상시키고 물리적 제약을 준수하는 새로운 프레임워크를 제안한다.
물리 정보가 포함된 확산 모델: 복잡한 데이터 분포 학습과 물리적 제약 준수
확산 모델의 생성 능력을 향상시키고 물리적 제약을 준수하는 새로운 프레임워크를 제안한다. 이를 통해 기존 방법보다 1-2 차수 더 낮은 물리적 잔차 오차를 달성할 수 있다.
© 2024 by Linnk AI