ترجمه فارسی مقاله ConFIG: به سوی آموزش بدون درگیری شبکه های عصبی فیزیک آگاه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی ConFIG: Towards Conflict-free Training of Physics Informed Neural Networks
عنوان مقاله به فارسی ConFIG: به سوی آموزش بدون درگیری شبکه های عصبی فیزیک آگاه
نویسندگان Qiang Liu, Mengyu Chu, Nils Thuerey
فرمت مقاله انگلیسی PDF
تعداد صفحات 31
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 20 August, 2024; originally announced August 2024. , Comments: Project homepage: https://tum-pbs.github.io/ConFIG/ , MSC Class: 68T07
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد. ، نظرات: صفحه اصلی پروژه: https://tum-pbs.github.io/config/ ، کلاس MSC: 68T07
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

The loss functions of many learning problems contain multiple additive terms that can disagree and yield conflicting update directions. For Physics-Informed Neural Networks (PINNs), loss terms on initial/boundary conditions and physics equations are particularly interesting as they are well-established as highly difficult tasks. To improve learning the challenging multi-objective task posed by PINNs, we propose the ConFIG method, which provides conflict-free updates by ensuring a positive dot product between the final update and each loss-specific gradient. It also maintains consistent optimization rates for all loss terms and dynamically adjusts gradient magnitudes based on conflict levels. We additionally leverage momentum to accelerate optimizations by alternating the back-propagation of different loss terms. The proposed method is evaluated across a range of challenging PINN scenarios, consistently showing superior performance and runtime compared to baseline methods. We also test the proposed method in a classic multi-task benchmark, where the ConFIG method likewise exhibits a highly promising performance. Source code is available at \url{https://tum-pbs.github.io/ConFIG}.

چکیده به فارسی (ترجمه ماشینی)

کارکردهای ضرر بسیاری از مشکلات یادگیری حاوی چندین اصطلاح افزودنی است که می تواند مخالف باشد و جهت های به روزرسانی متناقض را به همراه داشته باشد.برای شبکه های عصبی آگاه از فیزیک (PINN) ، شرایط ضرر در شرایط اولیه/مرزی و معادلات فیزیک به ویژه جالب است زیرا به عنوان کارهای بسیار دشوار تثبیت می شوند.برای بهبود یادگیری کار چند منظوره چالش برانگیز که توسط PINN ها مطرح شده است ، ما روش پیکربندی را پیشنهاد می کنیم ، که با اطمینان از یک محصول نقطه مثبت بین بروزرسانی نهایی و هر شیب خاص ضرر ، به روزرسانی های بدون درگیری را ارائه می دهد.همچنین نرخ بهینه سازی مداوم را برای همه شرایط ضرر حفظ می کند و به صورت پویا بزرگی شیب را بر اساس سطح درگیری تنظیم می کند.علاوه بر این ، ما با تناوب پس از انتشار اصطلاحات مختلف ضرر ، از حرکت بهینه سازی می کنیم.روش پیشنهادی در طیف وسیعی از سناریوهای PINN چالش برانگیز ارزیابی می شود ، که به طور مداوم عملکرد برتر و زمان اجرا را در مقایسه با روش های پایه نشان می دهد.ما همچنین روش پیشنهادی را در یک معیار کلاسیک چند کاره آزمایش می کنیم ، جایی که روش پیکربندی نیز عملکرد بسیار امیدوار کننده ای را نشان می دهد.کد منبع در \ url {https://tum-pbs.github.io/config} در دسترس 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.