論文の概要: One-shot learning for solution operators of partial differential
equations
- arxiv url: http://arxiv.org/abs/2104.05512v1
- Date: Tue, 6 Apr 2021 17:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 09:04:16.520547
- Title: One-shot learning for solution operators of partial differential
equations
- Title(参考訳): 偏微分方程式の解作用素に対するワンショット学習
- Authors: Lu Lu, Haiyang He, Priya Kasimbeg, Rishikesh Ranade, Jay Pathak
- Abstract要約: 一つのPDEソリューション,すなわちワンショット学習のみを必要とする最初の学習手法を提案する。
提案手法は異なるPDEに対して有効であり,本手法は強い一般化特性を示す。
- 参考スコア(独自算出の注目度): 1.836531989885116
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Discovering governing equations of a physical system, represented by partial
differential equations (PDEs), from data is a central challenge in a variety of
areas of science and engineering. Current methods require either some prior
knowledge (e.g., candidate PDE terms) to discover the PDE form, or a large
dataset to learn a surrogate model of the PDE solution operator. Here, we
propose the first learning method that only needs one PDE solution, i.e.,
one-shot learning. We first decompose the entire computational domain into
small domains, where we learn a local solution operator, and then find the
coupled solution via a fixed-point iteration. We demonstrate the effectiveness
of our method on different PDEs, and our method exhibits a strong
generalization property.
- Abstract(参考訳): データから偏微分方程式(PDE)で表される物理系の支配方程式を発見することは、科学や工学の様々な分野において中心的な課題である。
現在の手法では、PDE形式を発見するためにいくつかの事前知識(例えば、候補PDE用語)を必要とするか、PDEソリューション演算子の代理モデルを学ぶために大きなデータセットを必要とする。
本稿では,pdeソリューション,すなわちワンショット学習のみを必要とする最初の学習方法を提案する。
まず、計算領域全体を小さな領域に分解し、そこで局所解演算子を学び、固定点反復によって結合解を見つける。
提案手法は異なるPDEに対して有効であり,本手法は強い一般化特性を示す。
関連論文リスト
- DIMON: Learning Solution Operators of Partial Differential Equations on
a Diffeomorphic Family of Domains [7.107542279740667]
我々は、DIMON(DIffomorphic Mapping Operator learNing)と呼ばれる一般的な演算子学習フレームワークを導入する。
DIMONはドメインの族$Omega_theta_theta$で近似PDE解を学ぶ。
この研究は、ドメインの族におけるPDEソリューションの高速予測と、工学および精密医療におけるニューラル演算子の応用への道を開くものである。
論文 参考訳(メタデータ) (2024-02-11T17:32:23Z) - A Bayesian Framework for learning governing Partial Differential
Equation from Data [0.0]
本稿では,変分ベイズとスパース線形回帰を組み合わせた偏微分方程式(PDE)の発見手法を提案する。
提案手法は,データからPDEを発見し,物理,工学,生物学などの分野への応用を期待できる方法である。
論文 参考訳(メタデータ) (2023-06-08T02:48:37Z) - 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) - A Kernel Approach for PDE Discovery and Operator Learning [9.463496582811633]
カーネルの平滑化は、ソリューションのデータと近似デリバティブを認知するために利用される。
学習されたPDEはカーネルベースのソルバ内で使われ、PDEの解を新しいソース/バウンダリ項で近似する。
論文 参考訳(メタデータ) (2022-10-14T22:33:28Z) - Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。
我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。
その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文 参考訳(メタデータ) (2022-07-18T15:11:43Z) - 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 time-dependent PDE solver using Message Passing Graph Neural
Networks [0.0]
本稿では,メッセージパッシングモデルを用いた学習を通して,効率的なPDE解法を見つけるためのグラフニューラルネットワーク手法を提案する。
グラフを用いて、非構造化メッシュ上でPDEデータを表現し、メッセージパッシンググラフニューラルネットワーク(MPGNN)が支配方程式をパラメータ化できることを示す。
繰り返しグラフニューラルネットワークは,PDEに対する解の時間列を見つけることができることを示す。
論文 参考訳(メタデータ) (2022-04-15T21:10:32Z) - 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) - 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) - 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) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳(メタデータ) (2020-10-18T00:34:21Z)
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。