論文の概要: Multi-scale Deep Neural Network (MscaleDNN) for Solving Poisson-Boltzmann Equation in Complex Domains

• arxiv url: http://arxiv.org/abs/2007.11207v3
• Date: Mon, 28 Sep 2020 07:50:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 23:31:24.759606
• Title: Multi-scale Deep Neural Network (MscaleDNN) for Solving Poisson-Boltzmann Equation in Complex Domains
• Title（参考訳）: 複雑領域におけるポアソン・ボルツマン方程式の解法のためのマルチスケールディープニューラルネットワーク(MscaleDNN)
• Authors: Ziqi Liu, Wei Cai, Zhi-Qin John Xu
• Abstract要約: 本稿では,周波数領域のラジアルスケーリングと,コンパクトなサポート付きアクティベーション関数を用いたマルチスケールディープニューラルネットワーク(MscaleDNN)を提案する。 その結果、MscaleDNNは複数のスケールで高速な均一収束を実現する。
• 参考スコア（独自算出の注目度）: 12.09637784919702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose multi-scale deep neural networks (MscaleDNNs) using the idea of radial scaling in frequency domain and activation functions with compact support. The radial scaling converts the problem of approximation of high frequency contents of PDEs' solutions to a problem of learning about lower frequency functions, and the compact support activation functions facilitate the separation of frequency contents of the target function to be approximated by corresponding DNNs. As a result, the MscaleDNNs achieve fast uniform convergence over multiple scales. The proposed MscaleDNNs are shown to be superior to traditional fully connected DNNs and be an effective mesh-less numerical method for Poisson-Boltzmann equations with ample frequency contents over complex and singular domains.
• Abstract（参考訳）: 本稿では,周波数領域のラジアルスケーリングとコンパクトサポートによるアクティベーション関数を用いたマルチスケール深層ニューラルネットワーク(mscalednns)を提案する。 このラジアルスケーリングは、PDEの解の高周波内容の近似問題を低周波関数の学習問題に変換し、コンパクトなサポート活性化関数は、対応するDNNによって近似される対象関数の周波数内容の分離を容易にする。 その結果、MscaleDNNは複数のスケールで高速な均一収束を実現する。 提案したMscaleDNNは、従来の完全連結DNNよりも優れており、複素および特異領域上の周波数の豊富なポアソン・ボルツマン方程式の効果的なメッシュレス数値法である。

関連論文リスト

• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。 ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。 本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Frequency-adaptive Multi-scale Deep Neural Networks [6.338572283139395]
  高周波関数を近似するための周波数適応型MscaleDNNを提案する。 これらのMscaleDNNは、標準的なMscaleDNNに比べて2～3桁の精度を向上する。
  論文  参考訳（メタデータ） (2024-09-28T14:49:23Z)
• Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
  高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。 我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
  論文  参考訳（メタデータ） (2024-06-05T17:59:22Z)
• Deep Neural Network Solutions for Oscillatory Fredholm Integral Equations [12.102640617194025]
  近似解としてDNNを用いて方程式を解く数値解法を開発した。 次に、ニューラルネットワークのスペクトルバイアス問題を克服するために、多段階ディープラーニング(MGDL)モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-13T07:26:47Z)
• Blending Neural Operators and Relaxation Methods in PDE Numerical Solvers [3.2712166248850685]
  HINTSは偏微分方程式のハイブリッド、反復、数値、移乗可能な解法である。 DeepONetのスペクトルバイアスを利用して固有モードのスペクトル間の収束挙動のバランスをとる。 離散化、計算領域、境界条件に関して柔軟である。
  論文  参考訳（メタデータ） (2022-08-28T19:07:54Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Subspace Decomposition based DNN algorithm for elliptic-type multi-scale PDEs [19.500646313633446]
  サブスペース分解に基づくDNN(dubed SD$2$NN)アーキテクチャを,マルチスケールな問題に対して構築する。 SD$2$NNモデルに新しい三角運動関数が組み込まれている。 SD$2$NNモデルはMscaleDNNのような既存のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-10T08:26:27Z)
• PINNup: Robust neural network wavefield solutions using frequency upscaling and neuron splitting [0.0]
  本稿では,周波数アップスケーリングとニューロン分割を用いた新しいPINNの実装を提案する。 提案したPINNは収束と精度において顕著な優位性を示す。 2層モデルでニューロンベースの高周波波動場解が得られる。
  論文  参考訳（メタデータ） (2021-09-29T16:35:50Z)
• Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
  大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。 本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-08T12:48:06Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)
• 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)

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。