SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems - Archive ouverte HAL Accéder directement au contenu
Pré-Publication, Document De Travail Année : 2023

SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems

Résumé

This paper introduces a novel approach to solve inverse problems by leveraging deep learning techniques. The objective is to infer unknown parameters that govern a physical system based on observed data. We focus on scenarios where the underlying forward model demonstrates pronounced nonlinear behaviour, and where the dimensionality of the unknown parameter space is substantially smaller than that of the observations. Our proposed method builds upon physics-informed neural networks (PINNs) trained with a hybrid loss function that combines observed data with simulated data generated by a known (approximate) physical model. Experimental results on an orbit restitution problem demonstrate that our approach surpasses the performance of standard PINNs, providing improved accuracy and robustness.
Fichier principal
Vignette du fichier
SimPINNs-WHISPERS.pdf (1.28 Mo) Télécharger le fichier
IEEEbib.bst (17.48 Ko) Télécharger le fichier
figures/Figure 11 (1).png (82.29 Ko) Télécharger le fichier
figures/Figure 9.png (60.31 Ko) Télécharger le fichier
figures/ex_proj_orbit.png (72.2 Ko) Télécharger le fichier
figures/ex_proj_orbit_2.png (532.65 Ko) Télécharger le fichier
figures/ex_proj_orbit_2_a.png (75.63 Ko) Télécharger le fichier
figures/ex_proj_orbit_2_b.png (314.36 Ko) Télécharger le fichier
figures/fig_loss_types.png (44.93 Ko) Télécharger le fichier
figures/fig_model_temp.PNG (86.28 Ko) Télécharger le fichier
figures/fig_temp.png (32.66 Ko) Télécharger le fichier
figures/figure_1-crop.pdf (474.13 Ko) Télécharger le fichier
figures/figure_10-crop.pdf (59.4 Ko) Télécharger le fichier
figures/figure_11_crop.pdf (463.29 Ko) Télécharger le fichier
figures/figure_12.png (76.92 Ko) Télécharger le fichier
figures/figure_13.pdf (644.93 Ko) Télécharger le fichier
figures/figure_13_b_crop.pdf (381.96 Ko) Télécharger le fichier
figures/figure_13_b_crop.png (47.16 Ko) Télécharger le fichier
figures/figure_13_b_crop_2.pdf (500.79 Ko) Télécharger le fichier
figures/figure_13_crop.pdf (214.98 Ko) Télécharger le fichier
figures/figure_15_crop.pdf (226.82 Ko) Télécharger le fichier
figures/figure_16_crop.pdf (225.25 Ko) Télécharger le fichier
figures/figure_17-crop.pdf (39.73 Ko) Télécharger le fichier
figures/figure_17_crop.pdf (31.68 Ko) Télécharger le fichier
figures/figure_18_crop.pdf (198.48 Ko) Télécharger le fichier
figures/figure_19.png (82.32 Ko) Télécharger le fichier
figures/figure_2-crop.pdf (591.57 Ko) Télécharger le fichier
figures/figure_20_hybrid_training.png (25.84 Ko) Télécharger le fichier
figures/figure_2_2-crop.pdf (592.65 Ko) Télécharger le fichier
figures/figure_3-crop.pdf (254.04 Ko) Télécharger le fichier
figures/figure_4-crop.pdf (312.68 Ko) Télécharger le fichier
figures/figure_5-crop.pdf (189.83 Ko) Télécharger le fichier
figures/figure_6-crop.pdf (201.06 Ko) Télécharger le fichier
figures/figure_7-crop.pdf (55.4 Ko) Télécharger le fichier
figures/figure_8-crop.pdf (87.82 Ko) Télécharger le fichier
figures/figure_9-crop.pdf (370.47 Ko) Télécharger le fichier
figures/loss_evo.pdf (66.64 Ko) Télécharger le fichier
figures/loss_evo2_crop.pdf (202.65 Ko) Télécharger le fichier
figures/loss_evo_crop.pdf (69.4 Ko) Télécharger le fichier
figures/loss_num_crop.pdf (201.86 Ko) Télécharger le fichier
figures/loss_snr_final.pdf (61.41 Ko) Télécharger le fichier
figures/mnist_bin_results.png (88.67 Ko) Télécharger le fichier
figures/reconst_exemples.png (154.11 Ko) Télécharger le fichier
figures/ref_figure.png (248.26 Ko) Télécharger le fichier
figures/results_1.png (142.4 Ko) Télécharger le fichier
figures/results_2.png (76.91 Ko) Télécharger le fichier
figures/results_3.png (178.34 Ko) Télécharger le fichier
figures/results_4.png (101.86 Ko) Télécharger le fichier
figures/results_5.png (39.72 Ko) Télécharger le fichier
highlight.sty (1.59 Ko) Télécharger le fichier
jabbrv-ltwa-all.ldf (47.96 Ko) Télécharger le fichier
jabbrv-ltwa-en.ldf (262.36 Ko) Télécharger le fichier
jabbrv.sty (15.49 Ko) Télécharger le fichier
legacy-styles/jocn.sty (557 B) Télécharger le fichier
osajnl.bst (27.1 Ko) Télécharger le fichier
osajnl.cls (11.62 Ko) Télécharger le fichier
osajnlnt.bst (27.24 Ko) Télécharger le fichier
refs.bib (36.28 Ko) Télécharger le fichier
strings.bib (226 B) Télécharger le fichier
stywhispers.sty (8.35 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04216669 , version 1 (25-09-2023)
hal-04216669 , version 2 (02-10-2023)

Identifiants

Citer

Sidney Besnard, Frédéric Jurie, Jalal M. Fadili. SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems. 2023. ⟨hal-04216669v2⟩
70 Consultations
169 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More