論文の概要: Solver-in-the-Loop: Learning from Differentiable Physics to Interact
with Iterative PDE-Solvers
- arxiv url: http://arxiv.org/abs/2007.00016v2
- Date: Tue, 5 Jan 2021 11:04:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 06:23:11.506783
- Title: Solver-in-the-Loop: Learning from Differentiable Physics to Interact
with Iterative PDE-Solvers
- Title(参考訳): Solver-in-the-Loop:微分物理学から学び、反復型PDEソルバーと相互作用する
- Authors: Kiwon Um, Robert Brand, Yun (Raymond) Fei, Philipp Holl, Nils Thuerey
- Abstract要約: 認識されたPDEが捉えない効果を補正することにより、機械学習が解の精度を向上させることができることを示す。
従来使用されていた学習手法は,学習ループにソルバを組み込む手法により大幅に性能が向上していることがわかった。
これにより、以前の補正を考慮に入れたリアルな入力分布がモデルに提供される。
- 参考スコア(独自算出の注目度): 26.444103444634994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding accurate solutions to partial differential equations (PDEs) is a
crucial task in all scientific and engineering disciplines. It has recently
been shown that machine learning methods can improve the solution accuracy by
correcting for effects not captured by the discretized PDE. We target the
problem of reducing numerical errors of iterative PDE solvers and compare
different learning approaches for finding complex correction functions. We find
that previously used learning approaches are significantly outperformed by
methods that integrate the solver into the training loop and thereby allow the
model to interact with the PDE during training. This provides the model with
realistic input distributions that take previous corrections into account,
yielding improvements in accuracy with stable rollouts of several hundred
recurrent evaluation steps and surpassing even tailored supervised variants. We
highlight the performance of the differentiable physics networks for a wide
variety of PDEs, from non-linear advection-diffusion systems to
three-dimensional Navier-Stokes flows.
- Abstract(参考訳): 偏微分方程式(pdes)の正確な解を見つけることは、すべての科学および工学分野において重要な課題である。
近年,識別されたPDEが捉えない効果を補正することで,機械学習が解の精度を向上させることが示されている。
本研究では,反復型pdeソルバの数値誤差を低減し,複雑な補正関数を求めるための異なる学習手法を比較する。
従来使用されていた学習手法は,学習ループにソルバを組み込むことで,トレーニング中にモデルがPDEと対話できるようにする方法により,大幅に優れていた。
これにより、以前の修正を考慮した現実的な入力分布が提供され、数百回の繰り返し評価ステップの安定したロールアウトによって精度が向上し、さらに調整済みの教師付き変種を超える。
非線形対流拡散システムから3次元ナビエ-ストークス流れに至るまで,多種多様なPDEに対する微分可能な物理ネットワークの性能を強調した。
関連論文リスト
- Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Neural Partial Differential Equations with Functional Convolution [30.35306295442881]
本稿では、隠れた構造を発見し、異なる非線形PDEの解を予測するために、軽量なニューラルPDE表現を提案する。
我々は、数値PDE微分演算子の「翻訳類似性」の先行を利用して、学習モデルとトレーニングデータのスケールを大幅に削減する。
論文 参考訳(メタデータ) (2023-03-10T04:25:38Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。
我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。
その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文 参考訳(メタデータ) (2022-07-18T15:11:43Z) - Robust SDE-Based Variational Formulations for Solving Linear PDEs via
Deep Learning [6.1678491628787455]
モンテカルロ法とディープラーニングを組み合わせることで、高次元の偏微分方程式(PDE)を解くアルゴリズムが効率的になった。
関連する学習問題は、しばしば関連する微分方程式(SDE)に基づく変分定式化として記述される。
したがって、収束を正確にかつ迅速に到達するためには、低分散を示す適切な勾配推定器に頼ることが重要である。
論文 参考訳(メタデータ) (2022-06-21T17:59:39Z) - 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-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳(メタデータ) (2021-11-06T03:41:34Z) - Adversarial Multi-task Learning Enhanced Physics-informed Neural
Networks for Solving Partial Differential Equations [9.823102211212582]
本稿では,多タスク学習手法,不確実性強調損失,勾配手術を学習pdeソリューションの文脈で活用する新しいアプローチを提案する。
実験では,提案手法が有効であることが判明し,従来手法と比較して未発見のデータポイントの誤差を低減できた。
論文 参考訳(メタデータ) (2021-04-29T13:17:46Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳(メタデータ) (2020-09-08T13:26:51Z) - DiscretizationNet: A Machine-Learning based solver for Navier-Stokes
Equations using Finite Volume Discretization [0.7366405857677226]
この研究の目的はMLベースのPDEソルバを開発することであり、既存のPDEソルバと機械学習技術の重要な特徴を結合させることである。
我々のML-ソルバであるDiscretizationNetは、PDE変数を入力と出力の両方の特徴として、生成CNNベースのエンコーダデコーダモデルを採用している。
ML-ゾルバの安定性と収束性を改善するために,ネットワークトレーニング中に新しい反復能力を実装した。
論文 参考訳(メタデータ) (2020-05-17T19:54:19Z)
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。