論文の概要: Refinement of polygonal grids using Convolutional Neural Networks with
applications to polygonal Discontinous Galerkin and Virtual Element methods
- arxiv url: http://arxiv.org/abs/2102.05738v1
- Date: Wed, 10 Feb 2021 21:01:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 16:45:17.763831
- Title: Refinement of polygonal grids using Convolutional Neural Networks with
applications to polygonal Discontinous Galerkin and Virtual Element methods
- Title(参考訳): 畳み込みニューラルネットワークによる多角格子の微細化と多角不連続ガレルキン法および仮想要素法への応用
- Authors: P. F. Antonietti, E. Manuzzi
- Abstract要約: CNNは多角形要素の「形状」を正確に識別するのに有効であることを示す。
我々は,CNNを用いて要素の形状を低計算コストで分類する2つの改良戦略を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose new strategies to handle polygonal grids refinement based on
Convolutional Neural Networks (CNNs). We show that CNNs can be successfully
employed to identify correctly the "shape" of a polygonal element so as to
design suitable refinement criteria to be possibly employed within adaptive
refinement strategies. We propose two refinement strategies that exploit the
use of CNNs to classify elements' shape, at a low computational cost. We test
the proposed idea considering two families of finite element methods that
support arbitrarily shaped polygonal elements, namely Polygonal Discontinuous
Galerkin (PolyDG) methods and Virtual Element Methods (VEMs). We demonstrate
that the proposed algorithms can greatly improve the performance of the
discretization schemes both in terms of accuracy and quality of the underlying
grids. Moreover, since the training phase is performed off-line and is problem
independent the overall computational costs are kept low.
- Abstract(参考訳): Convolutional Neural Networks (CNNs) に基づくポリゴングリッドの改良を処理するための新しい戦略を提案します。
CNNは多角形要素の「形状」を正しく同定し、適応的精錬戦略において適用可能な適切な精錬基準を設計するために、うまく活用可能であることを示す。
我々は,CNNを用いて要素の形状を低計算コストで分類する2つの改良戦略を提案する。
任意の形状の多角形要素、すなわちポリゴン不連続ガレルキン法(Polygonal Discontinuous Galerkin)と仮想要素法(Virtual Element Methods, VEMs)をサポートする有限要素法の2つのファミリーを考慮し、提案手法を検証した。
提案アルゴリズムは,グリッドの精度と品質の両面において,離散化方式の性能を大幅に向上させることができることを示す。
さらに、トレーニングフェーズがオフラインで実行され、問題独立であるため、全体的な計算コストが低く抑えられる。
関連論文リスト
- The Convex Landscape of Neural Networks: Characterizing Global Optima
and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。
本稿では,凸型神経回復モデルについて検討する。
定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文 参考訳(メタデータ) (2023-12-19T23:04:56Z) - GloptiNets: Scalable Non-Convex Optimization with Certificates [61.50835040805378]
本稿では,ハイパーキューブやトーラス上のスムーズな関数を扱う証明書を用いた非キューブ最適化手法を提案する。
スペクトルの減衰に固有の対象関数の正則性を活用することにより、正確な証明を取得し、高度で強力なニューラルネットワークを活用することができる。
論文 参考訳(メタデータ) (2023-06-26T09:42:59Z) - Agglomeration of Polygonal Grids using Graph Neural Networks with
applications to Multigrid solvers [0.0]
計算メッシュの接続グラフを分割するグラフニューラルネットワーク(GNN)を提案する。
GNNはメッシュのグラフ構造と幾何学的情報の両方を自然に同時に処理する利点がある。
機械学習(ML)戦略では、品質指標のパフォーマンスが向上し、GNNはオンラインでの計算コストの低減を特徴としている。
論文 参考訳(メタデータ) (2022-10-31T16:30:48Z) - Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳(メタデータ) (2022-09-29T15:59:23Z) - Lattice Convolutional Networks for Learning Ground States of Quantum
Many-Body Systems [33.82764380485598]
本稿では,非二乗格子を格子状拡張格子に変換するために,一組の演算を用いた格子畳み込みを提案する。
提案する格子畳み込みネットワーク(LCN)を用いて,自己ゲーティングと注意機構を用いた格子畳み込みネットワーク(LCN)を設計する。
論文 参考訳(メタデータ) (2022-06-15T08:24:37Z) - Machine Learning based refinement strategies for polyhedral grids with
applications to Virtual Element and polyhedral Discontinuous Galerkin methods [0.0]
ポリヘドラルグリッドリファインメントを扱うための2つの新しい戦略を提案する。
1つはk平均クラスタリングアルゴリズムを用いて、精製されるポリヘドロンの点を分割する。
2つ目は、畳み込みニューラルネットワークを使用して、要素の「形」を分類し、「アドホック」精製基準を定義する。
論文 参考訳(メタデータ) (2022-02-25T12:21:51Z) - Convolutional Hough Matching Networks for Robust and Efficient Visual
Correspondence [41.061667361696465]
畳み込みマッチングにおけるハフ変換の視点を導入し、畳み込みハフマッチング(CHM)と呼ばれる効果的な幾何マッチングアルゴリズムを提案する。
本手法は,クラス内変動に挑戦する上で,その強靭性を証明し,意味的視覚対応のための標準ベンチマークに新たな技術状況を設定する。
論文 参考訳(メタデータ) (2021-09-11T08:39:41Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z) - Implicit Convex Regularizers of CNN Architectures: Convex Optimization
of Two- and Three-Layer Networks in Polynomial Time [70.15611146583068]
本稿では,ReLUアクティベーションを用いた畳み込みニューラルネットワーク(CNN)のトレーニングについて検討する。
我々は,データサンプル数,ニューロン数,データ次元に関して,厳密な凸最適化を導入する。
論文 参考訳(メタデータ) (2020-06-26T04:47:20Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z)
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。