論文の概要: STENCIL-NET: Data-driven solution-adaptive discretization of partial
differential equations
- arxiv url: http://arxiv.org/abs/2101.06182v2
- Date: Mon, 18 Jan 2021 10:31:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 11:10:59.618650
- Title: STENCIL-NET: Data-driven solution-adaptive discretization of partial
differential equations
- Title(参考訳): STENCIL-NET:偏微分方程式のデータ駆動型解適応離散化
- Authors: Suryanarayana Maddu, Dominik Sturm, Bevan L. Cheeseman, Christian L.
M\"uller, Ivo F. Sbalzarini
- Abstract要約: STENCIL-NETは、非線形PDEの問題と分解能特異的な局所識別のデータ駆動学習のための人工ニューラルネットワークアーキテクチャである。
ソリューションデータは、離散演算子を学ぶためにネットワークを訓練するのに十分であるため、実際のPDEを知る必要はありません。
一度トレーニングされたSTENCIL-NETモデルは、トレーニング済みのより長い時間、より大きなドメインでのPDEのソリューションを予測するために使用できる。
- 参考スコア(独自算出の注目度): 2.362412515574206
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Numerical methods for approximately solving partial differential equations
(PDE) are at the core of scientific computing. Often, this requires
high-resolution or adaptive discretization grids to capture relevant
spatio-temporal features in the PDE solution, e.g., in applications like
turbulence, combustion, and shock propagation. Numerical approximation also
requires knowing the PDE in order to construct problem-specific
discretizations. Systematically deriving such solution-adaptive discrete
operators, however, is a current challenge. Here we present STENCIL-NET, an
artificial neural network architecture for data-driven learning of problem- and
resolution-specific local discretizations of nonlinear PDEs. STENCIL-NET
achieves numerically stable discretization of the operators in an unknown
nonlinear PDE by spatially and temporally adaptive parametric pooling on
regular Cartesian grids, and by incorporating knowledge about discrete time
integration. Knowing the actual PDE is not necessary, as solution data is
sufficient to train the network to learn the discrete operators. A once-trained
STENCIL-NET model can be used to predict solutions of the PDE on larger spatial
domains and for longer times than it was trained for, hence addressing the
problem of PDE-constrained extrapolation from data. To support this claim, we
present numerical experiments on long-term forecasting of chaotic PDE solutions
on coarse spatio-temporal grids. We also quantify the speed-up achieved by
substituting base-line numerical methods with equation-free STENCIL-NET
predictions on coarser grids with little compromise on accuracy.
- Abstract(参考訳): 偏微分方程式(PDE)を近似的に解く数値解法は、科学計算の核である。
しばしば、これは高分解能または適応的な離散化格子を必要とし、例えば乱流、燃焼、衝撃伝播などの応用において、PDE溶液中の関連する時空間的特徴を捉える。
数値近似はまた、問題固有の離散化を構築するためにPDEを理解する必要がある。
しかし、そのような解適応離散作用素を体系的に導出することは現在の課題である。
本稿では,非線形pdesの解法と分解能固有の局所的離散化をデータ駆動学習する人工ニューラルネットワークであるstencil-netを提案する。
stencil-net は正規直交格子上の空間的および時間的適応的パラメトリックプーリングと離散時間積分に関する知識を取り入れることで、未知の非線形 pde における作用素の数値的安定な離散化を実現する。
解データがネットワークをトレーニングし、個別の演算子を学習するのに十分なので、実際のPDEを知る必要はない。
一度トレーニングされたSTENCIL-NETモデルは、より大きな空間領域におけるPDEの解を、トレーニングされた時間よりも長い時間予測するために使用することができ、従ってデータからのPDE制約外挿の問題に対処することができる。
この主張を支持するために、粗い時空間格子上のカオスPDE解の長期予測に関する数値実験を行った。
また,線形数値法を方程式のないSTENCIL-NET予測に置き換えることで,精度を損なうことなく高速化する。
関連論文リスト
- Adaptation of uncertainty-penalized Bayesian information criterion for parametric partial differential equation discovery [1.1049608786515839]
我々は、パラメトリックPDE発見問題を効率的に解くために、不確実性ペナル化ベイズ情報量規準(UBIC)の拡張を導入する。
UBICは、異なる時間的または空間的な点に対する定量化されたPDE不確実性を使用して、モデル選択における過度な適合を防止する。
拡張されたUBICは、ノイズの存在下であっても、実数とそれらの変動係数を正確に識別できることを示す。
論文 参考訳(メタデータ) (2024-08-15T12:10:50Z) - Solving partial differential equations with sampled neural networks [1.8590821261905535]
偏微分方程式(PDE)に対する解の近似は計算科学や工学において重要な問題である。
データに依存しない確率分布から、アンザッツネットワークの隠れた重みとバイアスをサンプリングすることで、両課題を進展させる方法について論じる。
論文 参考訳(メタデータ) (2024-05-31T14:24:39Z) - 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) - 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) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Meta-PDE: Learning to Solve PDEs Quickly Without a Mesh [24.572840023107574]
偏微分方程式(PDE)は、しばしば計算的に解くのが難しい。
本稿では,関連するPDEの分布から,問題の迅速な解法を学習するメタラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-11-03T06:17:52Z) - High Precision Differentiation Techniques for Data-Driven Solution of
Nonlinear PDEs by Physics-Informed Neural Networks [0.0]
本稿では,初期条件が与えられた時間依存部分微分方程式について考察する。
時間変数に対する未知解の新しい微分手法を提案する。
論文 参考訳(メタデータ) (2022-10-02T13:36:01Z) - Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。
PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。
神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文 参考訳(メタデータ) (2022-02-15T18:43:17Z) - PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving
Spatiotemporal PDEs [8.220908558735884]
偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。
近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。
本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
論文 参考訳(メタデータ) (2021-06-26T22:22:19Z) - 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) - 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)
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。