Fugu-MT 論文翻訳(概要): A Physics-Informed Neural Network Framework For Partial Differential Equations on 3D Surfaces: Time-Dependent Problems

論文の概要: A Physics-Informed Neural Network Framework For Partial Differential Equations on 3D Surfaces: Time-Dependent Problems

arxiv url: http://arxiv.org/abs/2103.13878v1
Date: Fri, 19 Mar 2021 13:47:46 GMT
ステータス: 処理完了
システム内更新日: 2021-04-05 01:07:37.966959
Title: A Physics-Informed Neural Network Framework For Partial Differential Equations on 3D Surfaces: Time-Dependent Problems
Title（参考訳）: 3次元表面上の偏微分方程式に対する物理インフォームドニューラルネットワークフレームワーク:時間依存問題
Authors: Zhiwei Fang, Justin Zhang, Xiu Yang
Abstract要約: 時間依存性表面PDEのための物理情報処理ニューラルネットワークソルバを示す。 PINNの損失値が表面PDEの残余の指標となるように、表面微分作用素の簡略化された事前推定を示す。
参考スコア（独自算出の注目度）: 3.3406650564566225
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we show a physics-informed neural network solver for the time-dependent surface PDEs. Unlike the traditional numerical solver, no extension of PDE and mesh on the surface is needed. We show a simplified prior estimate of the surface differential operators so that PINN's loss value will be an indicator of the residue of the surface PDEs. Numerical experiments verify efficacy of our algorithm.
Abstract（参考訳）: 本稿では,時間依存曲面PDEに対する物理インフォームドニューラルネットワークの解法について述べる。従来の数値解法とは異なり、表面上のPDEとメッシュの拡張は不要である。表面微分作用素の簡易な事前推定を行い、PINNの損失値が表面PDEの残余の指標となることを示す。数値実験により本アルゴリズムの有効性が検証された。

関連論文リスト

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)
Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks [17.69666422395703]
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)の解法において効率的であることが示されている。本稿では,物理インフォームド畳み込みニューラルネットワーク(PICNN)の厳密な解析を行い,球面上のPDEを解く。
論文参考訳（メタデータ） (2023-08-18T14:58:23Z)
MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文参考訳（メタデータ） (2022-10-11T14:52:20Z)
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)
Physics-Aware Neural Networks for Boundary Layer Linear Problems [0.0]
物理インフォームドニューラルネットワーク(PINN)は、一般偏微分方程式(PDE)の解をニューラルネットワークの損失/コストの観点から何らかの形で加算することによって近似する。本稿では,1つ以上の境界層が存在する線形PDEに対するPINNについて検討する。
論文参考訳（メタデータ） (2022-07-15T21:15:06Z)
LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
論文参考訳（メタデータ） (2022-06-19T14:41:08Z)
Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
論文参考訳（メタデータ） (2022-06-01T18:48:01Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
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)
Solving Partial Differential Equations with Point Source Based on Physics-Informed Neural Networks [33.18757454787517]
近年では、偏微分方程式(PDE)の解法としてディープラーニング技術が用いられている。 3つの新しい手法でこの問題に対処するための普遍的な解決策を提案する。提案手法を3つの代表的PDEを用いて評価し,提案手法が既存の深層学習手法よりも精度,効率,汎用性に優れていたことを示す。
論文参考訳（メタデータ） (2021-11-02T06:39:54Z)

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。