論文の概要: One-shot learning for solution operators of partial differential equations
- arxiv url: http://arxiv.org/abs/2104.05512v3
- Date: Thu, 6 Jun 2024 20:39:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 06:17:55.035423
- 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: Anran Jiao, Haiyang He, Rishikesh Ranade, Jay Pathak, Lu Lu,
- Abstract要約: データから偏微分方程式(PDE)で表される物理系の方程式を学習し、解くことは、科学と工学の様々な分野において中心的な課題である。
従来のPDEの数値解法は複雑なシステムでは計算コストがかかり、物理系の完全なPDEが必要となる。
本稿では,1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,最初のソリューション演算子学習法を提案する。
- 参考スコア（独自算出の注目度）: 3.559034814756831
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Learning and solving 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. Traditional numerical methods for solving PDEs can be computationally expensive for complex systems and require the complete PDEs of the physical system. On the other hand, current data-driven machine learning methods require a large amount of data to learn a surrogate model of the PDE solution operator, which could be impractical. Here, we propose the first solution operator learning method that only requires one PDE solution, i.e., one-shot learning. By leveraging the principle of locality of PDEs, we consider small local domains instead of the entire computational domain and define a local solution operator. The local solution operator is then trained using a neural network, and utilized to predict the solution of a new input function via mesh-based fixed-point iteration (FPI), meshfree local-solution-operator informed neural network (LOINN) or local-solution-operator informed neural network with correction (cLOINN). We test our method on diverse PDEs, including linear or nonlinear PDEs, PDEs defined on complex geometries, and PDE systems, demonstrating the effectiveness and generalization capabilities of our method across these varied scenarios.
- 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方程式を学習し、解くことは、科学と工学の様々な分野において中心的な課題である。
従来のPDEの数値解法は複雑なシステムでは計算コストがかかり、物理系の完全なPDEが必要となる。
一方、現在のデータ駆動機械学習手法では、PDEソリューション演算子の代理モデルを学ぶために大量のデータを必要とする。
本稿では,1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,最初のソリューション演算子学習法を提案する。
PDEの局所性の原理を活用することにより、計算領域全体ではなく小さな局所領域を考察し、局所解演算子を定義する。
次に、局所解演算子をニューラルネットワークを用いてトレーニングし、メッシュベースの固定点反復(FPI)、メッシュフリーな局所解演算型ニューラルネットワーク(LOINN)、あるいは補正付き局所解演算型ニューラルネットワーク(cLOINN)を介して新しい入力関数の解を予測する。
本手法は, 線形あるいは非線形PDE, 複素測地上で定義されたPDE, およびPDEシステムを含む多種多種多種多様PDEで検証し, これらの様々なシナリオにおける本手法の有効性と一般化能力を実証した。
関連論文リスト
- Solving Differential Equations with Constrained Learning [8.522558872274276]
(部分微分方程式)は自然現象を記述するための基本的な道具であり、その解は科学や工学において不可欠である。
有限要素法のような従来の手法は信頼性の高い解を提供するが、その精度は計算集約的な微細メッシュの使用と結びついている。
本稿では,SCL(Science-Constrained Learning)フレームワークを開発することにより,これらの課題に対処する。
PDEの(弱い)解を見つけることは、最悪の損失を伴う制約付き学習問題の解決と等価であることを示す。
論文 参考訳（メタデータ） (2024-10-30T08:20:39Z) - Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs [85.40198664108624]
PDEを用いた多物理問題の解法として,コドメイン注意ニューラル演算子(CoDA-NO)を提案する。
CoDA-NOはコドメインやチャネル空間に沿った機能をトークン化し、複数のPDEシステムの自己教師付き学習や事前訓練を可能にする。
CoDA-NOは、データ制限のある複雑な下流タスクにおいて、既存のメソッドを36%以上上回ります。
論文 参考訳（メタデータ） (2024-03-19T08:56:20Z) - A Physics-driven GraphSAGE Method for Physical Process Simulations
Described by Partial Differential Equations [2.1217718037013635]
物理駆動型グラフSAGE法は不規則なPDEによって支配される問題を解くために提案される。
距離関連エッジ機能と特徴マッピング戦略は、トレーニングと収束を支援するために考案された。
ガウス特異性ランダム場源によりパラメータ化された熱伝導問題に対するロバストPDEサロゲートモデルの構築に成功した。
論文 参考訳（メタデータ） (2024-03-13T14:25:15Z) - Meta-learning of Physics-informed Neural Networks for Efficiently
Solving Newly Given PDEs [33.072056425485115]
本稿では、偏微分方程式(PDE)問題を効率的に解くニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は多種多様なPDE問題の解法をメタラーニングし,その知識を新たに与えられたPDE問題の解法に用いる。
提案手法は,PDE問題の解を予測する上で,既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-20T04:35:59Z) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳（メタデータ） (2023-04-28T17:28:18Z) - Unsupervised Legendre-Galerkin Neural Network for Stiff Partial
Differential Equations [9.659504024299896]
本稿では,Regendre-Galerkinニューラルネットワークに基づく教師なし機械学習アルゴリズムを提案する。
提案したニューラルネットワークは、境界層挙動を有する特異摂動PDEと同様に、一般的な1Dおよび2DPDEに適用される。
論文 参考訳（メタデータ） (2022-07-21T00:47:47Z) - Physics-constrained Unsupervised Learning of Partial Differential
Equations using Meshes [1.066048003460524]
グラフニューラルネットワークは、不規則にメッシュ化されたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。
本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いてそれらを処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。
本フレームワークは, ソフトボディ変形のモデルベース制御など, PDEソルバをインタラクティブな設定に適用する。
論文 参考訳（メタデータ） (2022-03-30T19:22:56Z) - 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) - Physics-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳（メタデータ） (2021-11-06T03:41:34Z) - 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) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
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。