Fugu-MT 論文翻訳(概要): Symbolically Solving Partial Differential Equations using Deep Learning

論文の概要: Symbolically Solving Partial Differential Equations using Deep Learning

arxiv url: http://arxiv.org/abs/2011.06673v1
Date: Thu, 12 Nov 2020 22:16:03 GMT
ステータス: 処理完了
システム内更新日: 2022-09-26 06:23:46.046839
Title: Symbolically Solving Partial Differential Equations using Deep Learning
Title（参考訳）: 深層学習を用いた部分微分方程式の記号解法
Authors: Maysum Panju, Kourosh Parand, Ali Ghodsi
Abstract要約: 本稿では、微分方程式の正確な解や近似解を生成するニューラルネットワーク手法について述べる。他のニューラルネットワークとは異なり、我々のシステムは直接解釈できるシンボリック表現を返す。
参考スコア（独自算出の注目度）: 5.1964883240501605
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We describe a neural-based method for generating exact or approximate solutions to differential equations in the form of mathematical expressions. Unlike other neural methods, our system returns symbolic expressions that can be interpreted directly. Our method uses a neural architecture for learning mathematical expressions to optimize a customizable objective, and is scalable, compact, and easily adaptable for a variety of tasks and configurations. The system has been shown to effectively find exact or approximate symbolic solutions to various differential equations with applications in natural sciences. In this work, we highlight how our method applies to partial differential equations over multiple variables and more complex boundary and initial value conditions.
Abstract（参考訳）: 本稿では,微分方程式の完全あるいは近似解を数学的表現の形で生成するニューラルベース手法について述べる。他のニューラルメソッドとは異なり、システムは直接解釈可能なシンボル表現を返します。本手法は, 数学的表現の学習にニューラルネットワークを用い, カスタマイズ可能な目的を最適化し, スケーラブルでコンパクトで, 多様なタスクや構成に適応可能である。このシステムは、自然科学に応用された様々な微分方程式の正確なあるいは近似的な記号解を効果的に見つけることが示されている。本稿では,複数の変数に対する偏微分方程式と,より複雑な境界条件と初期値条件について述べる。

関連論文リスト

Differentiable Programming for Differential Equations: A Review [36.67198631261628]
微分可能プログラミングは現代の科学計算の基盤である。微分方程式の数値解に基づく微分関数は非自明である。本稿では、微分方程式の数値解の微分を計算するための既存の手法を概観する。
論文参考訳（メタデータ） (2024-06-14T03:54:25Z)
deepFDEnet: A Novel Neural Network Architecture for Solving Fractional Differential Equations [0.0]
各分数微分方程式では、未知の関数を近似するためにディープニューラルネットワークを用いる。提案アーキテクチャは, 精度のよい分数差分方程式の異なる形式を解く。
論文参考訳（メタデータ） (2023-09-14T12:58:40Z)
Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文参考訳（メタデータ） (2022-10-15T17:32:49Z)
Stochastic Scaling in Loss Functions for Physics-Informed Neural Networks [0.0]
訓練されたニューラルネットワークは普遍関数近似器として機能し、新しい方法で微分方程式を数値的に解くことができる。従来の損失関数とトレーニングパラメータのバリエーションは、ニューラルネットワーク支援ソリューションをより効率的にする上で有望であることを示している。
論文参考訳（メタデータ） (2022-08-07T17:12:39Z)
Neural Laplace: Learning diverse classes of differential equations in the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。 The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文参考訳（メタデータ） (2022-06-10T02:14:59Z)
Automated differential equation solver based on the parametric approximation optimization [77.34726150561087]
本稿では,最適化アルゴリズムを用いてパラメータ化近似を用いた解を求める手法を提案する。アルゴリズムのパラメータを変更することなく、幅広い種類の方程式を自動で解くことができる。
論文参考訳（メタデータ） (2022-05-11T10:06:47Z)
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)
Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
論文参考訳（メタデータ） (2021-03-15T17:26:34Z)
Computational characteristics of feedforward neural networks for solving a stiff differential equation [0.0]
減衰系をモデル化する単純だが基本的な常微分方程式の解について検討する。パラメータやメソッドに対して好適な選択を特定できることを示す。全体として、ニューラルネットワークアプローチによる信頼性と正確な結果を得るために何ができるかを示すことで、この分野の現在の文献を拡張します。
論文参考訳（メタデータ） (2020-12-03T12:22:24Z)
A Neuro-Symbolic Method for Solving Differential and Functional Equations [6.899578710832262]
微分方程式を解くために記号式を生成する方法を提案する。既存の手法とは異なり、このシステムは記号数学よりも言語モデルを学習する必要はない。我々は,他の数学的課題に対するシンボリックな解を見つけるために,システムがいかに懸命に一般化されるかを示す。
論文参考訳（メタデータ） (2020-11-04T17:13:25Z)
The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。