論文の概要: Methods to Recover Unknown Processes in Partial Differential Equations
Using Data
- arxiv url: http://arxiv.org/abs/2003.02387v1
- Date: Thu, 5 Mar 2020 00:50:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 07:35:59.080053
- Title: Methods to Recover Unknown Processes in Partial Differential Equations
Using Data
- Title(参考訳): データを用いた偏微分方程式における未知過程の復元法
- Authors: Zhen Chen, Kailiang Wu, Dongbin Xiu
- Abstract要約: 時間依存偏微分方程式(PDE)に埋め込まれた未知の過程を観測データを用いて同定する問題について検討する。
まず、問題の解決可能性を確保するために理論的解析と導出条件を導出する。
次に,ガレルキン型アルゴリズムとコロケーション型アルゴリズムを含む数値的な手法を提案する。
- 参考スコア(独自算出の注目度): 2.836285493475306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of identifying unknown processes embedded in
time-dependent partial differential equation (PDE) using observational data,
with an application to advection-diffusion type PDE. We first conduct
theoretical analysis and derive conditions to ensure the solvability of the
problem. We then present a set of numerical approaches, including Galerkin type
algorithm and collocation type algorithm. Analysis of the algorithms are
presented, along with their implementation detail. The Galerkin algorithm is
more suitable for practical situations, particularly those with noisy data, as
it avoids using derivative/gradient data. Various numerical examples are then
presented to demonstrate the performance and properties of the numerical
methods.
- Abstract(参考訳): 本研究では, 時間依存偏微分方程式(PDE)に埋め込まれた未知の過程を観測データを用いて同定し, 対流拡散型PDEへの応用について検討する。
まず、問題の解決可能性を確保するために理論的解析と導出条件を導出する。
次に,ガレルキン型アルゴリズムとコロケーション型アルゴリズムを含む数値的な手法を提案する。
アルゴリズムの解析と実装の詳細が提示される。
ガレルキンアルゴリズムは、微分/階調データの使用を避けるため、特にノイズの多いデータを扱う場合により適している。
次に,数値手法の性能と特性を示すため,様々な数値例を示す。
関連論文リスト
- Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳(メタデータ) (2024-08-20T19:06:02Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳(メタデータ) (2023-11-09T23:32:06Z) - PDE-constrained Gaussian process surrogate modeling with uncertain data locations [1.943678022072958]
本稿では,入力データの可変性を関数と偏微分方程式近似のガウス過程回帰に組み込むベイズ的手法を提案する。
一般化の連続的な良好な性能が観察され、予測の不確実性の実質的な低減が達成される。
論文 参考訳(メタデータ) (2023-05-19T10:53:08Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。
関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。
この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文 参考訳(メタデータ) (2022-10-15T17:32:49Z) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳(メタデータ) (2022-06-21T17:59:20Z) - Probabilistic Numerical Method of Lines for Time-Dependent Partial
Differential Equations [20.86460521113266]
現在の最先端のPDEソルバは、空間次元と時間次元を別々に、シリアルに、ブラックボックスアルゴリズムで扱います。
この問題を解決するために,ライン法と呼ばれる手法の確率的版を導入する。
空間不確かさと時間不確かさの連成定量化は、十分に調整されたODEソルバの性能上の利点を失うことなく実現できる。
論文 参考訳(メタデータ) (2021-10-22T15:26:05Z) - Data-Driven Theory-guided Learning of Partial Differential Equations
using SimultaNeous Basis Function Approximation and Parameter Estimation
(SNAPE) [0.0]
本稿では,高レベルの雑音に対して頑健な偏微分方程式(PDE)のパラメータ推定手法を提案する。
SNAPEは、幅広い科学領域を含む様々な複雑な力学系に適用可能であることを証明している。
この方法は、よく確立された科学理論の知識とデータサイエンスの概念を体系的に組み合わせ、観察されたデータからプロセスの特性を推測する。
論文 参考訳(メタデータ) (2021-09-14T22:54:30Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z) - Numerically Solving Parametric Families of High-Dimensional Kolmogorov
Partial Differential Equations via Deep Learning [8.019491256870557]
高次元線形コルモゴロフ偏微分方程式(PDE)のパラメトリック族に対する数値解のディープラーニングアルゴリズムを提案する。
本手法は,Fynman-Kac式を用いた1つの統計的学習問題として,コルモゴロフ PDE の族全体の数値近似を再構成した。
シミュレーションデータに基づいてトレーニングされた1つのディープニューラルネットワークが、全時空領域のPDEファミリー全体の解関数を学習可能であることを示す。
論文 参考訳(メタデータ) (2020-11-09T17:57:11Z) - Deep-learning of Parametric Partial Differential Equations from Sparse
and Noisy Data [2.4431531175170362]
この研究では、ニューラルネットワーク、遺伝的アルゴリズム、適応的手法を組み合わせた新しいフレームワークが、これらの課題を同時に解決するために提案されている。
訓練されたニューラルネットワークを用いてデリバティブを計算し、大量のメタデータを生成し、スパースノイズデータの問題を解決する。
次に、遺伝的アルゴリズムを用いて、不完全候補ライブラリによるPDEと対応する係数の形式を発見する。
空間的あるいは時間的に異なる係数を持つパラメトリックPDEを発見するために、2段階適応法を導入する。
論文 参考訳(メタデータ) (2020-05-16T09:09:57Z)
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。