論文の概要: MeshingNet: A New Mesh Generation Method based on Deep Learning
- arxiv url: http://arxiv.org/abs/2004.07016v1
- Date: Wed, 15 Apr 2020 11:29:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 04:24:28.532735
- Title: MeshingNet: A New Mesh Generation Method based on Deep Learning
- Title（参考訳）: MeshingNet: ディープラーニングに基づく新しいメッシュ生成方法
- Authors: Zheyan Zhang, Yongxing Wang, Peter K. Jimack, and He Wang
- Abstract要約: 本稿では,機械学習を用いた非構造メッシュの自動生成手法を提案する。
私たちが開発したフレームワークは、標準メッシュ生成ソフトウェアをガイドする人工知能ニューラルネットワーク(ANN)のトレーニングに基づいています。
- 参考スコア（独自算出の注目度）: 4.230005855201131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel approach to automatic unstructured mesh generation using
machine learning to predict an optimal finite element mesh for a previously
unseen problem. The framework that we have developed is based around training
an artificial neural network (ANN) to guide standard mesh generation software,
based upon a prediction of the required local mesh density throughout the
domain. We describe the training regime that is proposed, based upon the use of
\emph{a posteriori} error estimation, and discuss the topologies of the ANNs
that we have considered. We then illustrate performance using two standard test
problems, a single elliptic partial differential equation (PDE) and a system of
PDEs associated with linear elasticity. We demonstrate the effective generation
of high quality meshes for arbitrary polygonal geometries and a range of
material parameters, using a variety of user-selected error norms.
- Abstract（参考訳）: 本稿では,機械学習を用いた非構造化メッシュの自動生成手法を提案し,未発見問題に対する最適有限要素メッシュの予測を行う。
私たちが開発したフレームワークは、ドメイン全体で必要なローカルメッシュ密度の予測に基づいて、標準メッシュ生成ソフトウェアをガイドする、人工知能ニューラルネットワーク(ANN)のトレーニングに基づいています。
本稿では,<emph{a reari} 誤差推定を用いたトレーニング体制について述べるとともに,これまでに検討した ANN のトポロジについて考察する。
次に, 単楕円偏微分方程式(PDE)と線形弾性に付随するPDE系の2つの標準試験問題を用いて, 性能を解説する。
任意の多角形測地および材料パラメータに対して,様々なユーザ選択誤り規範を用いて,高品質メッシュを効果的に生成することを示す。
関連論文リスト
- Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-20T10:01:22Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - The Convex Landscape of Neural Networks: Characterizing Global Optima
and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。
本稿では,凸型神経回復モデルについて検討する。
定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文 参考訳（メタデータ） (2023-12-19T23:04:56Z) - Better Neural PDE Solvers Through Data-Free Mesh Movers [13.013830215107735]
我々は、移動メッシュを2分岐アーキテクチャに組み込む移動メッシュベースのニューラルPDEソルバ(MM-PDE)を開発した。
提案手法は,広く検討されているPDEシステムにおいて,適切なメッシュを生成し,精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-12-09T14:05:28Z) - Probabilistic partition of unity networks for high-dimensional
regression problems [1.0227479910430863]
我々は高次元回帰問題におけるユニタリネットワーク(PPOU-Net)モデルの分割について検討する。
本稿では適応次元の減少に着目した一般的な枠組みを提案する。
PPOU-Netsは、数値実験において、同等の大きさのベースライン完全接続ニューラルネットワークを一貫して上回っている。
論文 参考訳（メタデータ） (2022-10-06T06:01:36Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - An alternative approach to train neural networks using monotone
variational inequality [22.320632565424745]
本稿では,モノトーンベクトル場を用いたニューラルネットワークトレーニングの代替手法を提案する。
我々のアプローチは、事前訓練されたニューラルネットワークのより効率的な微調整に利用できる。
論文 参考訳（メタデータ） (2022-02-17T19:24:20Z) - Optimal Transport Based Refinement of Physics-Informed Neural Networks [0.0]
我々は、最適輸送(OT)の概念に基づく偏微分方程式(PDE)の解法として、よく知られた物理情報ニューラルネットワーク(PINN)の改良戦略を提案する。
PINNの解法は、完全接続された病理のスペクトルバイアス、不安定な勾配、収束と精度の難しさなど、多くの問題に悩まされている。
本稿では,既存の PINN フレームワークを補完する OT-based sample を用いて,Fokker-Planck-Kolmogorov Equation (FPKE) を解くための新しいトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2021-05-26T02:51:20Z) - SPINN: Sparse, Physics-based, and Interpretable Neural Networks for PDEs [0.0]
Sparse, Physics-based, and Interpretable Neural Networks (SPINN) のクラスを導入し,一般微分方程式と部分微分方程式を解く。
従来のPDEのソリューションのメッシュレス表現を特別なスパースディープニューラルネットワークとして再解釈することにより、解釈可能なスパースニューラルネットワークアーキテクチャのクラスを開発する。
論文 参考訳（メタデータ） (2021-02-25T17:45:50Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。