論文の概要: Solving inverse-PDE problems with physics-aware neural networks
- arxiv url: http://arxiv.org/abs/2001.03608v3
- Date: Wed, 18 Nov 2020 21:47:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 23:55:48.841968
- Title: Solving inverse-PDE problems with physics-aware neural networks
- Title(参考訳): 物理対応ニューラルネットワークによる逆PDE問題の解法
- Authors: Samira Pakravan, Pouria A. Mistani, Miguel Angel Aragon-Calvo,
Frederic Gibou
- Abstract要約: 偏微分方程式の逆問題における未知の場を見つけるための新しい枠組みを提案する。
我々は,ディープニューラルネットワークの高表現性を,既存の数値アルゴリズムの精度と信頼性とを融合した普遍関数推定器とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel composite framework to find unknown fields in the context
of inverse problems for partial differential equations (PDEs). We blend the
high expressibility of deep neural networks as universal function estimators
with the accuracy and reliability of existing numerical algorithms for partial
differential equations as custom layers in semantic autoencoders. Our design
brings together techniques of computational mathematics, machine learning and
pattern recognition under one umbrella to incorporate domain-specific knowledge
and physical constraints to discover the underlying hidden fields. The network
is explicitly aware of the governing physics through a hard-coded PDE solver
layer in contrast to most existing methods that incorporate the governing
equations in the loss function or rely on trainable convolutional layers to
discover proper discretizations from data. This subsequently focuses the
computational load to only the discovery of the hidden fields and therefore is
more data efficient. We call this architecture Blended inverse-PDE networks
(hereby dubbed BiPDE networks) and demonstrate its applicability for recovering
the variable diffusion coefficient in Poisson problems in one and two spatial
dimensions, as well as the diffusion coefficient in the time-dependent and
nonlinear Burgers' equation in one dimension. We also show that this approach
is robust to noise.
- Abstract(参考訳): 偏微分方程式(pdes)の逆問題の文脈において未知の場を見つけるための新しい合成フレームワークを提案する。
意味的オートエンコーダのカスタム層としての偏微分方程式に対する既存の数値アルゴリズムの精度と信頼性を、ディープニューラルネットワークを普遍関数推定器として高表現性に融合する。
我々の設計は、計算数学、機械学習、パターン認識の技術を一つの傘の下にまとめ、ドメイン固有の知識と物理的な制約を組み込んで隠れたフィールドを発見する。
ネットワークは、制御方程式を損失関数に組み込んだり、トレーニング可能な畳み込み層に依存してデータから適切な離散化を見つける既存の方法と対照的に、ハードコードpdeソルバ層を介して制御物理学を明示的に認識している。
これにより、計算負荷は隠れたフィールドの発見のみに焦点が当てられ、データ効率が向上する。
このアーキテクチャを Blended inverse-PDE network (以下 BiPDE network と呼ぶ) と呼び、1次元と2次元のポアソン問題における変数拡散係数と1次元の時間依存性および非線形バーガース方程式の拡散係数を復元する適用性を示した。
このアプローチがノイズに対して堅牢であることも示しています。
関連論文リスト
- Mixed formulation of physics-informed neural networks for
thermo-mechanically coupled systems and heterogeneous domains [0.0]
物理インフォームドニューラルネットワーク(PINN)は境界値問題を解決するための新しいツールである。
近年の研究では、多くの工学的問題に対して損失関数を設計する際には、一階微分を使い、強い形式と弱い形式の方程式を組み合わせることにより、はるかに精度が向上することが示されている。
本研究では,多物理問題,特に定常熱力学的に結合した方程式系を解くために混合定式化を適用することを提案する。
論文 参考訳(メタデータ) (2023-02-09T21:56:59Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Unsupervised Legendre-Galerkin Neural Network for Stiff Partial
Differential Equations [9.659504024299896]
本稿では,Regendre-Galerkinニューラルネットワークに基づく教師なし機械学習アルゴリズムを提案する。
提案したニューラルネットワークは、境界層挙動を有する特異摂動PDEと同様に、一般的な1Dおよび2DPDEに適用される。
論文 参考訳(メタデータ) (2022-07-21T00:47:47Z) - LordNet: Learning to Solve Parametric Partial Differential Equations
without Simulated Data [63.55861160124684]
本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。
具体的には,低ランク分解ネットワーク(LordNet)を提案する。
Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
論文 参考訳(メタデータ) (2022-06-19T14:41:08Z) - Physics-constrained Unsupervised Learning of Partial Differential
Equations using Meshes [1.066048003460524]
グラフニューラルネットワークは、不規則にメッシュ化されたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。
本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いてそれらを処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。
本フレームワークは, ソフトボディ変形のモデルベース制御など, PDEソルバをインタラクティブな設定に適用する。
論文 参考訳(メタデータ) (2022-03-30T19:22:56Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Physics and Equality Constrained Artificial Neural Networks: Application
to Partial Differential Equations [1.370633147306388]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。
本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-30T05:55:35Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Neural Operator: Graph Kernel Network for Partial Differential Equations [57.90284928158383]
この作業はニューラルネットワークを一般化し、無限次元空間(演算子)間の写像を学習できるようにすることである。
非線形活性化関数と積分作用素のクラスを構成することにより、無限次元写像の近似を定式化する。
実験により,提案したグラフカーネルネットワークには所望の特性があり,最先端技術と比較した場合の競合性能を示すことが確認された。
論文 参考訳(メタデータ) (2020-03-07T01:56:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。