Fugu-MT 論文翻訳(概要): Elvet -- a neural network-based differential equation and variational problem solver

論文の概要: Elvet -- a neural network-based differential equation and variational problem solver

arxiv url: http://arxiv.org/abs/2103.14575v2
Date: Tue, 30 Mar 2021 12:46:44 GMT
ステータス: 処理完了
システム内更新日: 2021-03-31 12:01:38.113624
Title: Elvet -- a neural network-based differential equation and variational problem solver
Title（参考訳）: elvet --ニューラルネットワークに基づく微分方程式と変分問題解法
Authors: Jack Y. Araz, Juan Carlos Criado and Michael Spannowsky
Abstract要約: Elvetは微分方程式と変動問題を解くためのPythonパッケージである。任意の初期条件と境界条件を持つ任意の結合常微分方程式や偏微分方程式を扱うことができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present Elvet, a Python package for solving differential equations and variational problems using machine learning methods. Elvet can deal with any system of coupled ordinary or partial differential equations with arbitrary initial and boundary conditions. It can also minimize any functional that depends on a collection of functions of several variables while imposing constraints on them. The solution to any of these problems is represented as a neural network trained to produce the desired function.
Abstract（参考訳）: 機械学習手法を用いて微分方程式と変分問題を解くためのPythonパッケージElvetを提案する。エルヴェットは任意の初期条件と境界条件を持つ任意の結合常微分方程式や偏微分方程式を扱うことができる。制約を課しながら、複数の変数の関数の集合に依存する任意の関数を最小化することもできる。これらの問題の解決策は、望ましい関数を生成するためにトレーニングされたニューラルネットワークとして表現される。

関連論文リスト

MultiSTOP: Solving Functional Equations with Reinforcement Learning [56.073581097785016]
物理学における関数方程式を解くための強化学習フレームワークであるMultiSTOPを開発した。この新しい手法は境界ではなく実際の数値解を生成する。
論文参考訳（メタデータ） (2024-04-23T10:51:31Z)
Experimental study of Neural ODE training with adaptive solver for dynamical systems modeling [72.84259710412293]
アダプティブと呼ばれるいくつかのODEソルバは、目の前の問題の複雑さに応じて評価戦略を適用することができる。本稿では,動的システムモデリングのためのブラックボックスとして適応型ソルバをシームレスに利用できない理由を示すための簡単な実験について述べる。
論文参考訳（メタデータ） (2022-11-13T17:48:04Z)
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)
Qade: Solving Differential Equations on Quantum Annealers [0.0]
量子アニールを用いた微分方程式の解法として, Qade という一般手法を提案する。現在のデバイスでは、ケイドは解とその微分に線形に依存する結合偏微分方程式の系を解くことができる。
論文参考訳（メタデータ） (2022-04-07T18:00:00Z)
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)
Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文参考訳（メタデータ） (2021-04-06T18:29:14Z)
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)
Solving Differential Equations Using Neural Network Solution Bundles [1.2891210250935146]
本稿では,様々な初期状態とシステムパラメータに対して,ソリューションバンドル,ODEに対するソリューションの集合として使用するニューラルネットワークを提案する。解バンドルはシステム状態の高速かつ並列化可能な評価を示し、パラメータ推定にベイズ推論を使用するのを容易にする。
論文参考訳（メタデータ） (2020-06-17T02:44:10Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)
Learning To Solve Differential Equations Across Initial Conditions [12.66964917876272]
多くのニューラルネットワークに基づく偏微分方程式解法が定式化され、古典的解法よりも性能が同等であり、場合によってはさらに優れている。本研究では,任意の初期条件に対する偏微分方程式の解を条件付き確率分布の学習として近似する問題を提案する。
論文参考訳（メタデータ） (2020-03-26T21:29:22Z)

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。