ترجمه فارسی مقاله STAResNet: شبکه ای در جبر فضا-زمان برای حل PDE های ماکسول

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی STAResNet: a Network in Spacetime Algebra to solve Maxwell's PDEs
عنوان مقاله به فارسی STAResNet: شبکه ای در جبر فضا-زمان برای حل PDE های ماکسول
نویسندگان Alberto Pepe, Sven Buchholz, Joan Lasenby
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computational Engineering, Finance, and Science,یادگیری ماشین , مهندسی محاسباتی , امور مالی و علوم ,
توضیحات Submitted 24 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We introduce STAResNet, a ResNet architecture in Spacetime Algebra (STA) to solve Maxwell's partial differential equations (PDEs). Recently, networks in Geometric Algebra (GA) have been demonstrated to be an asset for truly geometric machine learning. In \cite{brandstetter2022clifford}, GA networks have been employed for the first time to solve partial differential equations (PDEs), demonstrating an increased accuracy over real-valued networks. In this work we solve Maxwell's PDEs both in GA and STA employing the same ResNet architecture and dataset, to discuss the impact that the choice of the right algebra has on the accuracy of GA networks. Our study on STAResNet shows how the correct geometric embedding in Clifford Networks gives a mean square error (MSE), between ground truth and estimated fields, up to 2.6 times lower than than obtained with a standard Clifford ResNet with 6 times fewer trainable parameters. STAREsNet demonstrates consistently lower MSE and higher correlation regardless of scenario. The scenarios tested are: sampling period of the dataset; presence of obstacles with either seen or unseen configurations; the number of channels in the ResNet architecture; the number of rollout steps; whether the field is in 2D or 3D space. This demonstrates how choosing the right algebra in Clifford networks is a crucial factor for more compact, accurate, descriptive and better generalising pipelines.

چکیده به فارسی (ترجمه ماشینی)

ما برای حل معادلات دیفرانسیل جزئی ماکسول (PDES) ، Staresnet ، یک معماری Resnet را در جبر Spacetime (STA) معرفی می کنیم.به تازگی ، شبکه های جبر هندسی (GA) به عنوان یک دارایی برای یادگیری ماشین واقعاً هندسی نشان داده شده است.در \ cite {brandstetter2022clifford} ، شبکه های GA برای اولین بار برای حل معادلات دیفرانسیل جزئی (PDE) استفاده شده اند و نشان دهنده دقت بیشتری نسبت به شبکه های با ارزش واقعی است.در این کار ما PDE های Maxwell را در GA و STA با استفاده از همان معماری و مجموعه داده های Resnet حل می کنیم تا در مورد تأثیر انتخاب جبر راست در صحت شبکه های GA بحث کنیم.مطالعه ما در مورد Staresnet نشان می دهد که چگونه تعبیه هندسی صحیح در شبکه های کلیفورد ، میانگین خطای مربع (MSE) ، بین حقیقت زمین و زمینه های تخمین زده شده ، حداکثر 2.6 برابر کمتر از آنچه با یک Resnet استاندارد Clifford با 6 برابر پارامترهای قابل آموزش کمتر است ، می دهد.Staresnet بدون در نظر گرفتن سناریو ، همبستگی مداوم MSE و همبستگی بالاتر را نشان می دهد.سناریوهای آزمایش شده عبارتند از: دوره نمونه برداری از مجموعه داده.وجود موانع با تنظیمات دیده شده یا غیب.تعداد کانال ها در معماری Resnet ؛تعداد مراحل چرخشی ؛این که این زمینه در فضای 2D یا 3D باشد.این نشان می دهد که چگونه انتخاب جبر مناسب در شبکه های کلیفورد یک عامل مهم برای خطوط لوله فشرده تر ، دقیق ، توصیفی و بهتر است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.