메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
이상민 (한국과학기술정보연구원)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제25권 제1호
발행연도
2024.1
수록면
166 - 171 (6page)
DOI
10.5762/KAIS.2024.25.1.166

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
편미분방정식(PDE)은 과학 및 공학의 모든 분야에 걸쳐 복잡한 동적 프로세스의 수학적 분석과 모델링에서 중심적인 역할을 한다. 최근 몇 년 동안 머신러닝 기법은 PDE를 시뮬레이션하는 새롭고 효과적인 방법으로 각광받고 있다. 이 중 대표적인 방법으로 현재 많은 관심을 끌고 있는 물리정보 신경망(Physics-Informed Neural Networks, PINN)을 대표적인 예로 들 수 있다. PINN은 심층 단일 신경망을 사용하여 관측 데이터를 물리 시스템의 전체 시공간에서 PDE와 함께 학습하여 매우 빠르게 솔루션을 구할 수 있다. PINN은 종종 초기 또는 경계 조건, 다른 입력 조건 등에 따라 아주 많은 비용 뿐만 아니라 매우 어려운 분석 또는 계산 등이 필요할 수 있다. PINN의 한계인 비선형 문제에 대한 해결력을 강화하기 위하여 물리정보 심층 연산자 신경망(Deep Operator Networks, DeepONet)이 제안되었다. 본 논문에서는 쌍으로 구성된 입출력 훈련 데이터가 없는 경우에도 임의의 PDE의 솔루션 연산자를 학습하기 위해 고안된 딥러닝 프레임워크인 물리정보 DeepONet를 소개한다. 제안된 프레임워크가 기존 PDE 솔버에 비해 매우 빠르게 다양한 유형의 매개 변수 PDE의 솔루션을 신속하게 예측할 수 있으며, 과학 및 공학에서 비선형 및 비평형 프로세스의 모델링 및 시뮬레이션을 위한 이전에 탐구되지 않은 패러다임을 설정하는 데 효과적임을 여러 사례 연구를 통해 확인해 볼 수 있다.
#Artificial Intelligence #Deep Learning #Computational Science #Differential Equations #Dynamical Systems

목차

요약
Abstract
1. 서론
2. 물리정보 기계학습(PIML)
3. 물리정보 DeepONet 적용사례
4. 토의
5. 결론
References

참고문헌 (23)

참고문헌 신청
R. Courant and D. Hilbert. Methods of Mathematical Physics: Partial Differential Equations. John Wiley & Sons, 2008. google schola P. Moin. Fundamentals of engineering numerical analysis. Cambridge University Press, 2010. google schola T. JR Hughes. The finite element method: linear static and dynamic finite element analysis. Courier Corporation, 2012. google schola A. Iserles. A first course in the numerical analysis of differential equations. Number 44. Cambridge university press, 2009. google schola D. C. Psichogios and L. H. Ungar. “A hybrid neural network-first principles approach to process modeling”. AIChE Journal, 38(10):1499–1511, 1992. google schola

이 논문의 저자 정보

이 논문과 함께 이용한 논문

기계학습을 통한 수치적 편미분방정식 해법
홍영준 대한기계학회 춘추학술대회 2023 .05
형상 변화를 반영할 수 있는 물리 지식 기반 딥오넷
이종목 ,  박범수 ,  이승철 대한기계학회 춘추학술대회 2024 .11
물리 기반 인공신경망을 이용한 마찰교반용접의 열전달 모델링
김진원 ,  김태진 대한기계학회 논문집 A권 2024 .04
방문지 추천을 위한 개인 행동 범주 예측
황병일 ,  김동주 한국컴퓨터정보학회 학술발표논문집 2023 .07
Multiphysics-informed DeepONet for predicting thermal runaway of lithium-ion batteries
Ki-Yong Oh ,  Jinho Jeong ,  Eunji Kwak 외 1명 한국비파괴검사학회 춘계학술대회 초록집 2023 .05

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-24-02-089350081