論文の概要: MOD-Net: A Machine Learning Approach via Model-Operator-Data Network for Solving PDEs

• arxiv url: http://arxiv.org/abs/2107.03673v1
• Date: Thu, 8 Jul 2021 08:26:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 13:21:26.084530
• Title: MOD-Net: A Machine Learning Approach via Model-Operator-Data Network for Solving PDEs
• Title（参考訳）: MOD-Net: PDEを解くためのモデル演算子-データネットワークによる機械学習アプローチ
• Authors: Lulu Zhang, Tao Luo, Yaoyu Zhang, Zhi-Qin John Xu, Zheng Ma
• Abstract要約: PDEを解決するために,モデル演算型データネットワーク (MOD-Net) を提案する。 MOD-Netは、データから正規化された演算子表現に基づいてPDEを解決するモデルによって駆動される。 数値的にMOD-Netはポアソン方程式と1次元ボルツマン方程式を解くのに非常に効率的であることを示す。
• 参考スコア（独自算出の注目度）: 7.574591721334678
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we propose a model-operator-data network (MOD-Net) for solving PDEs. A MOD-Net is driven by a model to solve PDEs based on operator representation with regularization from data. In this work, we use a deep neural network to parameterize the Green's function. The empirical risk consists of the mean square of the governing equation, boundary conditions, and a few labels, which are numerically computed by traditional schemes on coarse grid points with cheap computation cost. With only the labeled dataset or only the model constraints, it is insufficient to accurately train a MOD-Net for complicate problems. Intuitively, the labeled dataset works as a regularization in addition to the model constraints. The MOD-Net is much efficient than original neural operator because the MOD-Net also uses the information of governing equation and the boundary conditions of the PDE rather than purely the expensive labels. Since the MOD-Net learns the Green's function of a PDE, it solves a type of PDEs but not a specific case. We numerically show MOD-Net is very efficient in solving Poisson equation and one-dimensional Boltzmann equation. For non-linear PDEs, where the concept of the Green's function does not apply, the non-linear MOD-Net can be similarly used as an ansatz for solving non-linear PDEs.
• Abstract（参考訳）: 本稿では,PDEを解くためのモデル演算型データネットワーク(MOD-Net)を提案する。 MOD-Netは、データから正規化された演算子表現に基づいてPDEを解決するモデルによって駆動される。 本研究では,深層ニューラルネットワークを用いて,グリーン関数のパラメータ化を行う。 経験的リスクは、支配方程式の平均二乗、境界条件、およびいくつかのラベルで構成され、計算コストの安い粗い格子点上の従来のスキームによって数値計算される。 ラベル付きデータセットやモデル制約だけでは、複雑な問題のためにMOD-Netを正確にトレーニングするのは不十分です。 直感的には、ラベル付きデータセットはモデルの制約に加えて正規化として機能する。 MOD-Netは、純粋に高価なラベルではなく、支配方程式やPDEの境界条件の情報を使用するため、元の神経オペレータよりも効率的である。 MOD-NetはPDEのグリーン関数を学習するため、特定のケースではなく、ある種のPDEを解決する。 ポアソン方程式と1次元ボルツマン方程式の解法においてmod-netは非常に効率的であることを示す。 グリーン関数の概念が適用されない非線形 PDE に対して、非線形 MOD-Net は非線形 PDE を解くためのアンザッツとして同様に使用できる。

関連論文リスト

• DOSnet as a Non-Black-Box PDE Solver: When Deep Learning Meets Operator Splitting [12.655884541938656]
  我々はDeep Operator-Splitting Network (DOSnet) と名付けた学習型PDEソルバを開発した。 DOSnetは物理規則から構築され、基礎となるダイナミクスを管理する演算子は学習可能なパラメータを含む。 我々は、演算子分解可能な微分方程式のいくつかのタイプでそれを訓練し、検証する。
  論文  参考訳（メタデータ） (2022-12-11T18:23:56Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Fourier Neural Operator with Learned Deformations for PDEs on General Geometries [62.45777230253574]
  我々は任意の測地上でPDEを解決するための新しいフレームワーク、viz.、geo-FNOを提案する。 Geo-FNO は入力(物理)領域を不規則で、一様格子を持つ潜在空間に変形させることを学ぶ。 我々は, 弾性, 塑性, オイラー方程式, ナビエ・ストークス方程式などの多種多様なPDEと, 前方モデリングと逆設計の問題を考察する。
  論文  参考訳（メタデータ） (2022-07-11T21:55:47Z)
• LordNet: Learning to Solve Parametric Partial Differential Equations without Simulated Data [63.55861160124684]
  本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。 具体的には,低ランク分解ネットワーク(LordNet)を提案する。 Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• 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)
• NeuralPDE: Modelling Dynamical Systems from Data [0.44259821861543996]
  本稿では、畳み込みニューラルネットワーク(CNN)と微分可能なODEソルバを組み合わせて動的システムをモデル化するモデルであるNeuralPDEを提案する。 標準PDEソルバで使用されるラインの手法は、CNNが任意のPDEダイナミクスをパラメトリズする自然な選択となる畳み込みを用いて表現できることを示す。 我々のモデルは、PDEの管理に関する事前の知識を必要とせずに、あらゆるデータに適用することができる。
  論文  参考訳（メタデータ） (2021-11-15T10:59:52Z)
• 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)
• PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs [8.220908558735884]
  偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。 近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。 本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
  論文  参考訳（メタデータ） (2021-06-26T22:22:19Z)
• 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)

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。