論文の概要: Exact imposition of boundary conditions with distance functions in
physics-informed deep neural networks
- arxiv url: http://arxiv.org/abs/2104.08426v2
- Date: Sun, 7 Nov 2021 07:02:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 08:43:49.357375
- Title: Exact imposition of boundary conditions with distance functions in
physics-informed deep neural networks
- Title(参考訳): 物理インフォームドディープニューラルネットワークにおける距離関数境界条件の厳密な適用
- Authors: N. Sukumar, Ankit Srivastava
- Abstract要約: 本稿では,偏微分方程式の深層学習におけるトレーニングを改善するために,人工ニューラルネットワークにおける幾何対応トライアル関数を提案する。
均質なディリクレ境界条件を正確に課すために、トライアル関数は、PINN近似により$phi$と乗算される。
アフィン境界と曲線境界を持つ領域上の線形および非線形境界値問題に対する数値解を提案する。
- 参考スコア(独自算出の注目度): 0.5804039129951741
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a new approach based on distance fields to
exactly impose boundary conditions in physics-informed deep neural networks.
The challenges in satisfying Dirichlet boundary conditions in meshfree and
particle methods are well-known. This issue is also pertinent in the
development of physics informed neural networks (PINN) for the solution of
partial differential equations. We introduce geometry-aware trial functions in
artifical neural networks to improve the training in deep learning for partial
differential equations. To this end, we use concepts from constructive solid
geometry (R-functions) and generalized barycentric coordinates (mean value
potential fields) to construct $\phi$, an approximate distance function to the
boundary of a domain. To exactly impose homogeneous Dirichlet boundary
conditions, the trial function is taken as $\phi$ multiplied by the PINN
approximation, and its generalization via transfinite interpolation is used to
a priori satisfy inhomogeneous Dirichlet (essential), Neumann (natural), and
Robin boundary conditions on complex geometries. In doing so, we eliminate
modeling error associated with the satisfaction of boundary conditions in a
collocation method and ensure that kinematic admissibility is met pointwise in
a Ritz method. We present numerical solutions for linear and nonlinear
boundary-value problems over domains with affine and curved boundaries.
Benchmark problems in 1D for linear elasticity, advection-diffusion, and beam
bending; and in 2D for the Poisson equation, biharmonic equation, and the
nonlinear Eikonal equation are considered. The approach extends to higher
dimensions, and we showcase its use by solving a Poisson problem with
homogeneous Dirichlet boundary conditions over the 4D hypercube. This study
provides a pathway for meshfree analysis to be conducted on the exact geometry
without domain discretization.
- Abstract(参考訳): 本稿では,物理インフォームドディープニューラルネットワークにおける境界条件を正確に課すための距離場に基づく新しいアプローチを提案する。
メッシュフリーおよび粒子法におけるディリクレ境界条件を満たす際の課題はよく知られている。
この問題は、偏微分方程式の解に対する物理情報ニューラルネットワーク(PINN)の開発にも関係している。
偏微分方程式の深層学習におけるトレーニングを改善するために,人工ニューラルネットワークにおける幾何認識試行関数を導入する。
この目的のために、構成的固体幾何(r-函数)と一般化されたバーリー中心座標(値ポテンシャル場)の概念を用いて、領域の境界への近似距離関数である$\phi$を構築する。
正確に均質なディリクレ境界条件を課すために、試行関数は、ピン近似によって乗算された$\phi$ とされ、超有限補間による一般化は、複素幾何学上の不等質ディリクレ(本質)、ノイマン(自然)、ロビン境界条件を満たす前駆体として用いられる。
そこで我々は,コロケーション法における境界条件の満足度に関連するモデリング誤差を排除し,リッツ法において運動学的許容度が適度に満たされることを保証する。
アフィン境界と曲線境界を持つ領域上の線形および非線形境界値問題に対する数値解を提案する。
線形弾性, 対流拡散, ビーム曲げに対する1次元のベンチマーク問題, ポアソン方程式, バイハーモニック方程式, 非線形アイコン方程式の2次元のベンチマーク問題を考える。
このアプローチはより高次元にまで拡張され、4次元ハイパーキューブ上の均質なディリクレ境界条件でポアソン問題を解くことでその利用を実証する。
本研究は、領域の離散化を伴わない正確な幾何学でメッシュフリー解析を行うための経路を提供する。
関連論文リスト
- Learning the boundary-to-domain mapping using Lifting Product Fourier Neural Operators for partial differential equations [5.5927988408828755]
我々は、任意の境界関数を領域全体の解にマッピングできる新しいFNOベースのアーキテクチャ、Lifting Product FNO(LP-FNO)を提案する。
2次元ポアソン方程式に対して提案したLP-FNOの有効性と分解能の独立性を実証する。
論文 参考訳(メタデータ) (2024-06-24T15:45:37Z) - A Hybrid Kernel-Free Boundary Integral Method with Operator Learning for Solving Parametric Partial Differential Equations In Complex Domains [0.0]
カーネル自由境界積分法(KFBI)は楕円偏微分方程式(PDE)から生じる境界積分方程式に対する反復解を示す
本稿では,KFBI法の基本原理と深層学習能力を統合するハイブリッドKFBI法を提案する。
論文 参考訳(メタデータ) (2024-04-23T17:25:35Z) - A Mean-Field Analysis of Neural Stochastic Gradient Descent-Ascent for Functional Minimax Optimization [90.87444114491116]
本稿では,超パラメトリック化された2層ニューラルネットワークの無限次元関数クラス上で定義される最小最適化問題について検討する。
i) 勾配降下指数アルゴリズムの収束と, (ii) ニューラルネットワークの表現学習に対処する。
その結果、ニューラルネットワークによって誘導される特徴表現は、ワッサーシュタイン距離で測定された$O(alpha-1)$で初期表現から逸脱することが許された。
論文 参考訳(メタデータ) (2024-04-18T16:46:08Z) - BINN: A deep learning approach for computational mechanics problems
based on boundary integral equations [4.397337158619076]
計算力学における境界値問題に対する境界積分型ニューラルネットワーク(BINN)を提案する。
境界積分方程式は、すべての未知を境界に転送するために使用され、その後、未知をニューラルネットワークを用いて近似し、トレーニングプロセスを通じて解決する。
論文 参考訳(メタデータ) (2023-01-11T14:10:23Z) - Neural PDE Solvers for Irregular Domains [25.673617202478606]
不規則な形状の幾何学的境界を持つ領域上の偏微分方程式をニューラルネットワークで解く枠組みを提案する。
我々のネットワークは入力としてドメインの形をとり、新しい(目に見えない)不規則なドメインに一般化することができる。
論文 参考訳(メタデータ) (2022-11-07T00:00:30Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - 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) - Deep neural network approximation for high-dimensional elliptic PDEs
with boundary conditions [6.079011829257036]
ディープニューラルネットワークは、次元の呪いを引き起こすことなく、パラボリック偏微分方程式のクラスへの解を近似することができる。
本稿では、ディリクレ境界条件下での領域$Dsubset mathbbRd$上のポアソン方程式という重要なモデル問題を考える。
ディープニューラルネットワークは、次元の呪いを起こさずに、その問題の解を表現できることが示されている。
論文 参考訳(メタデータ) (2020-07-10T13:40:27Z) - 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) - Neural Operator: Graph Kernel Network for Partial Differential Equations [57.90284928158383]
この作業はニューラルネットワークを一般化し、無限次元空間(演算子)間の写像を学習できるようにすることである。
非線形活性化関数と積分作用素のクラスを構成することにより、無限次元写像の近似を定式化する。
実験により,提案したグラフカーネルネットワークには所望の特性があり,最先端技術と比較した場合の競合性能を示すことが確認された。
論文 参考訳(メタデータ) (2020-03-07T01:56:20Z) - Convex Geometry and Duality of Over-parameterized Neural Networks [70.15611146583068]
有限幅2層ReLUネットワークの解析のための凸解析手法を開発した。
正規化学習問題に対する最適解が凸集合の極点として特徴づけられることを示す。
高次元では、トレーニング問題は無限に多くの制約を持つ有限次元凸問題としてキャストできることが示される。
論文 参考訳(メタデータ) (2020-02-25T23:05:33Z)
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。