ترجمه فارسی مقاله ساختارهای شبکه عصبی یادگیری عمیق مبتنی بر مدل و فیزیک

چکیده

Neural Networks (NN) has been used in many areas with great success. When a NN’s structure (Model) is given, during the training steps, the parameters of the model are determined using an appropriate criterion and an optimization algorithm (Training). Then, the trained model can be used for the prediction or inference step (Testing). As there are also many hyperparameters, related to the optimization criteria and optimization algorithms, a validation step is necessary before its final use. One of the great difficulties is the choice of the NN’s structure. Even if there are many “on the shelf” networks, selecting or proposing a new appropriate network for a given data, signal or image processing, is still an open problem. In this work, we consider this problem using model based signal and image processing and inverse problems methods. We classify the methods in five classes, based on: i) Explicit analytical solutions, ii) Transform domain decomposition, iii) Operator Decomposition, iv) Optimization algorithms unfolding, and v) Physics Informed NN methods (PINN). Few examples in each category are explained.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی (NN) در بسیاری از زمینه ها با موفقیت بسیار زیاد استفاده شده است.هنگامی که ساختار NN (مدل) داده می شود ، در مراحل آموزش ، پارامترهای مدل با استفاده از یک معیار مناسب و یک الگوریتم بهینه سازی (آموزش) تعیین می شوند.سپس از مدل آموزش دیده می توان برای مرحله پیش بینی یا استنباط (آزمایش) استفاده کرد.از آنجا که بسیاری از هایپرپارامترها نیز وجود دارند ، مربوط به معیارهای بهینه سازی و الگوریتم های بهینه سازی ، یک مرحله اعتبار سنجی قبل از استفاده نهایی آن ضروری است.یکی از مشکلات مهم ، انتخاب ساختار NN است.حتی اگر بسیاری از شبکه های “در قفسه” وجود داشته باشد ، انتخاب یا پیشنهاد یک شبکه مناسب جدید برای داده های خاص ، سیگنال یا پردازش تصویر ، هنوز یک مشکل باز است.در این کار ، ما این مشکل را با استفاده از سیگنال مبتنی بر مدل و پردازش تصویر و روشهای معکوس در نظر می گیریم.ما روشها را در پنج کلاس طبقه بندی می کنیم ، بر اساس: i) راه حل های تحلیلی صریح ، ب) تجزیه دامنه ، iii) تجزیه اپراتور ، IV) الگوریتم های بهینه سازی آشکار شدن ، و v) فیزیک روشهای NN (PINN) را آگاه می کند.چند نمونه در هر گروه توضیح داده شده است.