論文の概要: A framework for data-driven solution and parameter estimation of PDEs
using conditional generative adversarial networks
- arxiv url: http://arxiv.org/abs/2105.13136v1
- Date: Thu, 27 May 2021 13:30:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-29 00:55:06.967825
- Title: A framework for data-driven solution and parameter estimation of PDEs
using conditional generative adversarial networks
- Title(参考訳): 条件付き生成逆ネットワークを用いたPDEのデータ駆動解とパラメータ推定のためのフレームワーク
- Authors: Teeratorn Kadeethum, Daniel O'Malley, Jan Niklas Fuhg, Youngsoo Choi,
Jonghyun Lee, Hari S. Viswanathan, Nikolaos Bouklas
- Abstract要約: この研究は、条件付き生成逆数ネットワーク(cGAN)に基づく画像から画像への変換の概念を初めて採用し、適応させたものである。
異種多孔質媒体における結合水-機械的プロセスの定常解に着目する。
- 参考スコア(独自算出の注目度): 1.339230763466954
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work is the first to employ and adapt the image-to-image translation
concept based on conditional generative adversarial networks (cGAN) towards
learning a forward and an inverse solution operator of partial differential
equations (PDEs). Even though the proposed framework could be applied as a
surrogate model for the solution of any PDEs, here we focus on steady-state
solutions of coupled hydro-mechanical processes in heterogeneous porous media.
Strongly heterogeneous material properties, which translate to the
heterogeneity of coefficients of the PDEs and discontinuous features in the
solutions, require specialized techniques for the forward and inverse solution
of these problems. Additionally, parametrization of the spatially heterogeneous
coefficients is excessively difficult by using standard reduced order modeling
techniques. In this work, we overcome these challenges by employing the
image-to-image translation concept to learn the forward and inverse solution
operators and utilize a U-Net generator and a patch-based discriminator. Our
results show that the proposed data-driven reduced order model has competitive
predictive performance capabilities in accuracy and computational efficiency as
well as training time requirements compared to state-of-the-art data-driven
methods for both forward and inverse problems.
- Abstract(参考訳): この研究は、条件付き生成逆数ネットワーク(cGAN)に基づく画像から画像への変換の概念を、偏微分方程式(PDE)の前方および逆解作用素の学習に適用し、適応する最初のものである。
提案手法は,任意のpdesの解に対するサロゲートモデルとして適用することができるが,不均質多孔質媒質中の結合水力機械過程の定常解に着目する。
PDEの係数の不均一性と解の不連続な特徴を変換する強いヘテロジニアスな材料特性は、これらの問題の前方および逆解のための特別な技術を必要とする。
さらに, 空間的不均一係数のパラメトリゼーションは, 標準還元次数モデリング技術を用いることで過度に困難である。
本研究では,画像から画像への変換概念を用いて前方および逆の解演算子を学習し,u-net生成器とパッチベースの判別器を活用することで,これらの課題を克服する。
提案したデータ駆動型縮小順序モデルでは,前処理と逆処理の両問題に対する最先端データ駆動手法と比較して,精度と計算効率の競争性能が向上することを示した。
関連論文リスト
- Projected Generative Diffusion Models for Constraint Satisfaction [51.957984732779245]
生成拡散モデルは、逐次過程を通じて生ノイズからコヒーレントな内容の合成に優れる。
本稿では,従来の拡散サンプリングを制約最適化経路に再キャストすることで,これらの課題を克服することを目的とする。
論文 参考訳(メタデータ) (2024-02-05T22:18:16Z) - CoCoGen: Physically-Consistent and Conditioned Score-based Generative
Models for Forward and Inverse Problems [1.2277343096128712]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。
基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。
各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文 参考訳(メタデータ) (2023-12-16T19:56:10Z) - Spectral operator learning for parametric PDEs without data reliance [6.7083321695379885]
本研究では,データ活用を必要とせずにパラメトリック偏微分方程式(PDE)を解く演算子に基づく新しい手法を提案する。
提案手法は,既存の科学的機械学習技術と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2023-10-03T12:37:15Z) - Solving Inverse Problems with Latent Diffusion Models via Hard Data
Consistency [8.128475421154405]
画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。
非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。
我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
論文 参考訳(メタデータ) (2023-07-16T18:42:01Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - 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) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - JPEG Artifact Correction using Denoising Diffusion Restoration Models [110.1244240726802]
本稿では,DDRM(Denoising Diffusion Restoration Models)に基づいて,非線形逆問題の解法を提案する。
我々は、DDRMで使用される擬逆演算子を活用し、この概念を他の測度演算子に一般化する。
論文 参考訳(メタデータ) (2022-09-23T23:47:00Z) - 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) - Physics and Equality Constrained Artificial Neural Networks: Application
to Partial Differential Equations [1.370633147306388]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。
本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-30T05:55:35Z)
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。