論文の概要: Solving and Learning Nonlinear PDEs with Gaussian Processes
- arxiv url: http://arxiv.org/abs/2103.12959v1
- Date: Wed, 24 Mar 2021 03:16:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 13:47:53.766189
- Title: Solving and Learning Nonlinear PDEs with Gaussian Processes
- Title（参考訳）: ガウス過程を用いた非線形PDEの解法と学習
- Authors: Yifan Chen and Bamdad Hosseini and Houman Owhadi and Andrew M Stuart
- Abstract要約: 非線形偏微分方程式を解くための単純で厳密で統一された枠組みを提案する。
提案手法は、コロケーションカーネル法を非線形PDEとIPに自然に一般化する。
IP では,PDE におけるパラメータの同定と解の数値近似を反復的に行う手法が提案されているが,アルゴリズムは両手法を同時に扱う。
- 参考スコア（独自算出の注目度）: 11.09729362243947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a simple, rigorous, and unified framework for solving nonlinear
partial differential equations (PDEs), and for solving inverse problems (IPs)
involving the identification of parameters in PDEs, using the framework of
Gaussian processes. The proposed approach (1) provides a natural generalization
of collocation kernel methods to nonlinear PDEs and IPs, (2) has guaranteed
convergence with a path to compute error bounds in the PDE setting, and (3)
inherits the state-of-the-art computational complexity of linear solvers for
dense kernel matrices. The main idea of our method is to approximate the
solution of a given PDE with a MAP estimator of a Gaussian process given the
observation of the PDE at a finite number of collocation points. Although this
optimization problem is infinite-dimensional, it can be reduced to a
finite-dimensional one by introducing additional variables corresponding to the
values of the derivatives of the solution at collocation points; this
generalizes the representer theorem arising in Gaussian process regression. The
reduced optimization problem has a quadratic loss and nonlinear constraints,
and it is in turn solved with a variant of the Gauss-Newton method. The
resulting algorithm (a) can be interpreted as solving successive linearizations
of the nonlinear PDE, and (b) is found in practice to converge in a small
number (two to ten) of iterations in experiments conducted on a range of PDEs.
For IPs, while the traditional approach has been to iterate between the
identifications of parameters in the PDE and the numerical approximation of its
solution, our algorithm tackles both simultaneously. Experiments on nonlinear
elliptic PDEs, Burgers' equation, a regularized Eikonal equation, and an IP for
permeability identification in Darcy flow illustrate the efficacy and scope of
our framework.
- Abstract（参考訳）: 非線形偏微分方程式(pdes)を解くための単純で厳密で統一された枠組みを導入し、ガウス過程の枠組みを用いてpdesにおけるパラメータの同定を含む逆問題(ips)を解く。
提案手法は,(1)非線型PDEおよびIPに対するコロケーションカーネル手法の自然な一般化,(2)PDE設定における誤差境界の計算経路との収束を保証し,(3)高密度カーネル行列に対する線形解の最先端の計算複雑性を継承する。
本手法の主な考え方は、有限個の座標点におけるPDEの観測から、与えられたPDEの解をガウス過程のMAP推定器で近似することである。
この最適化問題は無限次元であるが、コロケーション点における解の微分の値に対応する追加変数を導入することで有限次元に還元することができ、ガウス過程の回帰から生じる表現定理を一般化する。
削減された最適化問題には2次損失と非線形制約があり、ガウス・ニュートン法の変種で解かれる。
結果のアルゴリズム (a) は非線形PDEの逐次線形化を解くものとして解釈することができ、(b) は実際には、様々なPDEで実施された実験において、少数の反復(2から10) に収束する。
IP では,PDE におけるパラメータの同定と解の数値近似を反復的に行う手法が提案されているが,アルゴリズムは両手法を同時に扱う。
非線形楕円型PDE, バーガーズ方程式, 正規化アイコン方程式, ダーシー流中における透過性同定のためのIP実験は, 本フレームワークの有効性と適用範囲を示している。
関連論文リスト
- Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。
私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。
Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-05-27T15:34:35Z) - RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法として広く応用されている。
本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。
実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
論文 参考訳（メタデータ） (2024-05-23T09:45:57Z) - Approximation of Solution Operators for High-dimensional PDEs [2.3076986663832044]
進化的偏微分方程式の解演算子を近似する有限次元制御法を提案する。
結果は、ハミルトン・ヤコビ・ベルマン方程式を解くための実世界の応用を含む、いくつかの高次元PDEに対して提示される。
論文 参考訳（メタデータ） (2024-01-18T21:45:09Z) - Sparse Cholesky Factorization for Solving Nonlinear PDEs via Gaussian
Processes [3.750429354590631]
本稿では、高密度カーネル行列に対するスパースColesky分解アルゴリズムを提案する。
我々は, 幅広い非線形PDEのクラスに対して, アルゴリズムのニア線形空間/時間複雑性を数値的に説明する。
論文 参考訳（メタデータ） (2023-04-03T18:35:28Z) - Deep learning approximations for non-local nonlinear PDEs with Neumann
boundary conditions [2.449909275410288]
非局所非線形PDEを大まかに解くために,機械学習とPicard反復に基づく2つの数値手法を提案する。
物理・生物学における5種類のPDEにおける2つの手法の性能評価を行った。
論文 参考訳（メタデータ） (2022-05-07T15:47:17Z) - 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) - An application of the splitting-up method for the computation of a
neural network representation for the solution for the filtering equations [68.8204255655161]
フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。
フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。
我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
論文 参考訳（メタデータ） (2022-01-10T11:01:36Z) - Semi-Implicit Neural Solver for Time-dependent Partial Differential
Equations [4.246966726709308]
本稿では,PDEの任意のクラスに対して,データ駆動方式で最適な反復スキームを学習するためのニューラルソルバを提案する。
従来の反復解法に類似したニューラルソルバの正当性と収束性に関する理論的保証を提供する。
論文 参考訳（メタデータ） (2021-09-03T12:03:10Z) - Bayesian Numerical Methods for Nonlinear Partial Differential Equations [4.996064986640264]
非線形偏微分方程式(PDE)は、相対的な視点から大きな課題を呈する。
本稿では、線形PDEに関する初期の研究を、非線形PDEによって指定された初期値問題の一般クラスに拡張する。
PDEの解の適切な先行モデルが、Mat'ern過程のサンプル経路特性の新しい理論的解析を用いて同定される。
論文 参考訳（メタデータ） (2021-04-22T14:02:10Z) - 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) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳（メタデータ） (2020-12-09T20:19:32Z)
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。