論文の概要: Robust discovery of partial differential equations in complex situations
- arxiv url: http://arxiv.org/abs/2106.00008v1
- Date: Mon, 31 May 2021 02:11:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 14:33:26.168138
- Title: Robust discovery of partial differential equations in complex situations
- Title（参考訳）: 複素状況における偏微分方程式のロバスト発見
- Authors: Hao Xu and Dongxiao Zhang
- Abstract要約: 本研究では,物理インフォームドニューラルネットワーク(PINN)を組み込んだ頑健な深層学習遺伝的アルゴリズム(R-DLGA)を提案する。
いくつかの複雑な状況下でのR-DLGAの安定性と精度を実証・概念として検討した。
提案手法は,PINNの最適化により,導関数を正確に計算できることを示す。
- 参考スコア（独自算出の注目度）: 3.7314701799132686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven discovery of partial differential equations (PDEs) has achieved
considerable development in recent years. Several aspects of problems have been
resolved by sparse regression-based and neural network-based methods. However,
the performances of existing methods lack stability when dealing with complex
situations, including sparse data with high noise, high-order derivatives and
shock waves, which bring obstacles to calculating derivatives accurately.
Therefore, a robust PDE discovery framework, called the robust deep
learning-genetic algorithm (R-DLGA), that incorporates the physics-informed
neural network (PINN), is proposed in this work. In the framework, a
preliminary result of potential terms provided by the deep learning-genetic
algorithm is added into the loss function of the PINN as physical constraints
to improve the accuracy of derivative calculation. It assists to optimize the
preliminary result and obtain the ultimately discovered PDE by eliminating the
error compensation terms. The stability and accuracy of the proposed R-DLGA in
several complex situations are examined for proof-and-concept, and the results
prove that the proposed framework is able to calculate derivatives accurately
with the optimization of PINN and possesses surprising robustness to complex
situations, including sparse data with high noise, high-order derivatives, and
shock waves.
- Abstract（参考訳）: データ駆動による偏微分方程式(PDE)の発見は近年かなりの発展を遂げている。
問題のいくつかの側面は、スパース回帰ベースとニューラルネットワークベースの方法によって解決されている。
しかし, 既存手法の性能は, 高雑音, 高次導波, 衝撃波を含む複雑な状況に対処する際の安定性に欠けており, 導波の正確な計算に障害が生じる。
そこで本研究では、物理学的不定形ニューラルネットワーク(pinn)を組み込んだロバストな深層学習ジェネティックアルゴリズム(r-dlga)と呼ばれるロバストなpde発見フレームワークを提案する。
この枠組みでは,pinnの損失関数にdeep learning-geneticアルゴリズムによるポテンシャル項の予備結果を物理制約として加え,微分計算の精度を向上させる。
予備結果の最適化を支援し、エラー補償項を排除して最終的に発見されたPDEを得る。
複雑な状況下でのR-DLGAの安定性と精度を検証し,提案手法がPINNの最適化により精度よく導関数を計算し,高雑音,高次導関数,衝撃波を含む複雑な状況に対して驚くほど堅牢性を有することを示す。
関連論文リスト
- ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において高い期待を得た
以前の研究では、PINNの伝播不良現象が観察された。
本論文は,伝播不良とその根本原因について,初めて公式かつ詳細な研究を行ったものである。
論文 参考訳（メタデータ） (2025-02-02T13:56:38Z) - Evidential Physics-Informed Neural Networks [0.0]
本稿では,エビデンシャル・ディープ・ラーニングの原理に基づいて定式化された物理インフォームド・ニューラル・ニューラルネットワークの新たなクラスを提案する。
1次元および2次元非線形微分方程式を含む逆問題に対して、我々のモデルを適用する方法を示す。
論文 参考訳（メタデータ） (2025-01-27T10:01:10Z) - Deep Operator Networks for Bayesian Parameter Estimation in PDEs [0.0]
本稿では,Deep Operator Networks (DeepONets) と物理インフォームドニューラルネットワーク (PINN) を組み合わせて偏微分方程式 (PDE) を解く新しいフレームワークを提案する。
データ駆動学習を物理的制約と統合することにより,多様なシナリオにまたがる堅牢で正確なソリューションを実現する。
論文 参考訳（メタデータ） (2025-01-18T07:41:05Z) - UGrid: An Efficient-And-Rigorous Neural Multigrid Solver for Linear PDEs [18.532617548168123]
本稿では,線形PDEに対する数学的に厳密なニューラルソルバについて述べる。
U-NetとMultiGridを原理的に統合したUGridソルバは、収束性と正確性の両方の数学的に厳密な証明である。
論文 参考訳（メタデータ） (2024-08-09T03:46:35Z) - Physics-informed deep learning and compressive collocation for high-dimensional diffusion-reaction equations: practical existence theory and numerics [5.380276949049726]
ディープラーニング(DL)に基づく高次元偏微分方程式の効率的な解法の開発と解析
理論的にも数値的にも,新しい安定かつ高精度なスペクトルコロケーション法と競合できることを示す。
論文 参考訳（メタデータ） (2024-06-03T17:16:11Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳（メタデータ） (2022-02-18T18:07:54Z) - 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) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Accurate and Reliable Forecasting using Stochastic Differential
Equations [48.21369419647511]
ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。
本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。
本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
論文 参考訳（メタデータ） (2021-03-28T04:18:11Z) - Deep-learning based discovery of partial differential equations in
integral form from sparse and noisy data [2.745859263816099]
上記の問題を同時に扱うために,ディープラーニングと積分形式を組み合わせた新しいフレームワークを提案する。
提案アルゴリズムは, 積分形式の利用により, 従来の手法と比較して, ノイズに強く, 精度が高い。
論文 参考訳（メタデータ） (2020-11-24T09:18:39Z)
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。