論文の概要: Solving Allen-Cahn and Cahn-Hilliard Equations using the Adaptive
Physics Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2007.04542v1
- Date: Thu, 9 Jul 2020 03:49:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 04:24:22.247740
- Title: Solving Allen-Cahn and Cahn-Hilliard Equations using the Adaptive
Physics Informed Neural Networks
- Title(参考訳): 適応物理学インフォームドニューラルネットワークを用いたallen-cahnおよびcahn-hilliard方程式の解法
- Authors: Colby L. Wight and Jia Zhao
- Abstract要約: 本稿では, ディープニューラルネットワークを用いて, アレン・カーン方程式とカーン・ヒリアード方程式の自動数値解法を設計することに焦点を当てる。
PINNの近似能力を高める様々な手法を提案する。
- 参考スコア(独自算出の注目度): 5.031093893882574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phase field models, in particular, the Allen-Cahn type and Cahn-Hilliard type
equations, have been widely used to investigate interfacial dynamic problems.
Designing accurate, efficient, and stable numerical algorithms for solving the
phase field models has been an active field for decades. In this paper, we
focus on using the deep neural network to design an automatic numerical solver
for the Allen-Cahn and Cahn-Hilliard equations by proposing an improved physics
informed neural network (PINN). Though the PINN has been embraced to
investigate many differential equation problems, we find a direct application
of the PINN in solving phase-field equations won't provide accurate solutions
in many cases. Thus, we propose various techniques that add to the
approximation power of the PINN. As a major contribution of this paper, we
propose to embrace the adaptive idea in both space and time and introduce
various sampling strategies, such that we are able to improve the efficiency
and accuracy of the PINN on solving phase field equations. In addition, the
improved PINN has no restriction on the explicit form of the PDEs, making it
applicable to a wider class of PDE problems, and shedding light on numerical
approximations of other PDEs in general.
- Abstract(参考訳): 位相場モデル、特にアレン・カーン型とカーン・ヒリアード型方程式は界面の動的問題の研究に広く用いられている。
位相場モデルを解くための正確で効率的で安定な数値アルゴリズムの設計は、何十年も前から活発な分野だった。
本稿では,改良型物理学インフォームドニューラルネットワーク (pinn) の提案により,allen-cahn および cahn-hilliard 方程式の自動数値解法の設計にディープニューラルネットワークを用いた。
PINNは多くの微分方程式問題を調べるために採用されてきたが、位相場方程式の解法におけるPINNの直接的な応用は、多くの場合、正確な解を提供しない。
そこで,我々はピンの近似パワーを付加する様々な手法を提案する。
本論文の主な貢献として,位相場方程式の解法におけるPINNの効率と正確性を向上させるために,空間と時間の両方で適応的アイデアを取り入れ,様々なサンプリング戦略を導入することを提案する。
さらに、改良されたPINNは、PDEの明示的な形式に制限を持たず、より広範なPDE問題に適応し、他のPDEの数値近似に光を当てる。
関連論文リスト
- Hypernetwork-based Meta-Learning for Low-Rank Physics-Informed Neural
Networks [24.14254861023394]
本研究では,物理インフォームドニューラルネットワーク (PINN) がそのような解法の一つとして考えられる可能性を秘めた経路を提案する。
PINNは、ディープラーニングと科学計算の適切な統合を開拓してきたが、ニューラルネットワークの反復的な時間的トレーニングを必要としている。
本稿では,数百のモデルパラメータと関連するハイパーネットワークに基づくメタ学習アルゴリズムを含む軽量な低ランクPINNを提案する。
論文 参考訳(メタデータ) (2023-10-14T08:13:43Z) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳(メタデータ) (2023-04-28T17:28:18Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - PIXEL: Physics-Informed Cell Representations for Fast and Accurate PDE
Solvers [4.1173475271436155]
物理インフォームドセル表現(PIXEL)と呼ばれる新しいデータ駆動型PDEの解法を提案する。
PIXELは古典的な数値法と学習に基づくアプローチをエレガントに組み合わせている。
PIXELは高速収束速度と高精度を実現する。
論文 参考訳(メタデータ) (2022-07-26T10:46:56Z) - Mitigating Learning Complexity in Physics and Equality Constrained
Artificial Neural Networks [0.9137554315375919]
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。
PINNでは、利害関係のPDEの残留形態とその境界条件は、軟罰として複合目的関数にまとめられる。
本稿では,この目的関数を定式化する方法が,異なる種類のPDEに適用した場合のPINNアプローチにおける厳しい制約の源であることを示す。
論文 参考訳(メタデータ) (2022-06-19T04:12:01Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳(メタデータ) (2022-05-27T03:24:31Z) - Revisiting PINNs: Generative Adversarial Physics-informed Neural
Networks and Point-weighting Method [70.19159220248805]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する
本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。
本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
論文 参考訳(メタデータ) (2022-05-18T06:50:44Z) - Improved Training of Physics-Informed Neural Networks with Model
Ensembles [81.38804205212425]
我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。
すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。
提案手法は, 得られた解の精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-04-11T14:05:34Z) - Spectrally Adapted Physics-Informed Neural Networks for Solving
Unbounded Domain Problems [0.0]
本研究では, (i) 物理インフォームドニューラルネットワーク (PINN) と (ii) 適応スペクトル法という2種類の数値手法を組み合わせる。
物理インフォームドニューラルネットワークによる高次数値スキームの実装により,PDEの解法を効率的に行うことができる。
次に,最近導入されたスペクトル手法の適応手法をPINNベースのPDEソルバに組み込んで,標準PINNで効率よく近似できない非有界領域問題の数値解を求める方法を示す。
論文 参考訳(メタデータ) (2022-02-06T05:25:22Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z)
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。