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
- 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) - Multi-Grid Tensorized Fourier Neural Operator for High-Resolution PDEs [93.82811501035569]
本稿では,メモリ要求を低減し,より一般化したデータ効率・並列化可能な演算子学習手法を提案する。
MG-TFNOは、実世界の実世界の現象の局所的構造と大域的構造を活用することで、大規模な分解能にスケールする。
乱流ナビエ・ストークス方程式において150倍以上の圧縮で誤差の半分以下を達成できる優れた性能を示す。
論文 参考訳(メタデータ) (2023-09-29T20:18:52Z) - Sparse Deep Neural Network for Nonlinear Partial Differential Equations [3.0069322256338906]
本稿では,非線形偏微分方程式の解の適応近似に関する数値的研究について述べる。
特定の特異点を持つ関数を表現するために、複数のパラメータを持つスパース正規化を備えたディープニューラルネットワーク(DNN)を開発する。
数値的な例では、提案したSDNNが生成する解はスパースで正確である。
論文 参考訳(メタデータ) (2022-07-27T03:12:16Z) - 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) - LordNet: Learning to Solve Parametric Partial Differential Equations
without Simulated Data [63.55861160124684]
本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。
具体的には,低ランク分解ネットワーク(LordNet)を提案する。
Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
論文 参考訳(メタデータ) (2022-06-19T14:41:08Z) - 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) - On the eigenvector bias of Fourier feature networks: From regression to
solving multi-scale PDEs with physics-informed neural networks [0.0]
ニューラルネットワーク(PINN)は、目標関数を近似する場合には、高周波またはマルチスケールの特徴を示す。
マルチスケールなランダムな観測機能を備えた新しいアーキテクチャを構築し、そのような座標埋め込み層が堅牢で正確なPINNモデルにどのように結びつくかを正当化します。
論文 参考訳(メタデータ) (2020-12-18T04:19:30Z) - 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。