論文の概要: DiffNet: Neural Field Solutions of Parametric Partial Differential
Equations
- arxiv url: http://arxiv.org/abs/2110.01601v1
- Date: Mon, 4 Oct 2021 17:59:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:04:00.918581
- Title: DiffNet: Neural Field Solutions of Parametric Partial Differential
Equations
- Title(参考訳): 微分ネット:パラメトリック偏微分方程式の神経場解
- Authors: Biswajit Khara, Aditya Balu, Ameya Joshi, Soumik Sarkar, Chinmay
Hegde, Adarsh Krishnamurthy, Baskar Ganapathysubramanian
- Abstract要約: 我々は、ニューラルネットワークをトレーニングし、PDEに対するソリューションのフィールド予測を生成するメッシュベースのアプローチを検討する。
パラメトリック楕円PDE上の有限要素法(FEM)に基づく重み付きガレルキン損失関数を用いる。
PDE に対する有限要素解に展開されたメッシュ収束解析に類似した,理論的に検証し,実験により考察する。
- 参考スコア(独自算出の注目度): 30.80582606420882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider a mesh-based approach for training a neural network to produce
field predictions of solutions to parametric partial differential equations
(PDEs). This approach contrasts current approaches for ``neural PDE solvers''
that employ collocation-based methods to make point-wise predictions of
solutions to PDEs. This approach has the advantage of naturally enforcing
different boundary conditions as well as ease of invoking well-developed PDE
theory -- including analysis of numerical stability and convergence -- to
obtain capacity bounds for our proposed neural networks in discretized domains.
We explore our mesh-based strategy, called DiffNet, using a weighted Galerkin
loss function based on the Finite Element Method (FEM) on a parametric elliptic
PDE. The weighted Galerkin loss (FEM loss) is similar to an energy functional
that produces improved solutions, satisfies \textit{a priori} mesh convergence,
and can model Dirichlet and Neumann boundary conditions. We prove
theoretically, and illustrate with experiments, convergence results analogous
to mesh convergence analysis deployed in finite element solutions to PDEs.
These results suggest that a mesh-based neural network approach serves as a
promising approach for solving parametric PDEs.
- Abstract(参考訳): ニューラルネットワークをトレーニングするメッシュベースのアプローチでパラメトリック偏微分方程式(PDE)の解の場予測を行う。
このアプローチは、コロケーションに基づく手法を用いてPDEに対する解のポイントワイズ予測を行う「ニューラルPDEソルバ」に対する現在のアプローチとは対照的である。
このアプローチは、異なる境界条件を自然に強制するだけでなく、数値安定性と収束の解析を含むよく開発されたpde理論を、離散化された領域で提案するニューラルネットワークの容量境界を得るのを容易にするという利点がある。
我々は、パラメトリック楕円型PDE上の有限要素法(FEM)に基づく重み付きガレルキン損失関数を用いて、DiffNetと呼ばれるメッシュベースの戦略を探索する。
重み付きガレルキン損失(fem損失)は、改良された解を生み出し、 \textit{a priori}メッシュ収束を満たすエネルギー汎関数と似ており、ディリクレとノイマン境界条件をモデル化することができる。
我々は理論的に証明し,実験により,有限要素解に展開したメッシュ収束解析に類似した収束結果を示す。
これらの結果は、メッシュベースのニューラルネットワークアプローチがパラメトリックPDEを解決するための有望なアプローチであることを示している。
関連論文リスト
- Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Lie Point Symmetry and Physics Informed Networks [59.56218517113066]
本稿では、損失関数を用いて、PINNモデルが基礎となるPDEを強制しようとするのと同じように、リー点対称性をネットワークに通知するロス関数を提案する。
我々の対称性の損失は、リー群の無限小生成元がPDE解を保存することを保証する。
実験により,PDEのリー点対称性による誘導バイアスはPINNの試料効率を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-11-07T19:07:16Z) - A Deep Learning Framework for Solving Hyperbolic Partial Differential
Equations: Part I [0.0]
本研究では,非線形PDEの解を近似する物理情報深層学習フレームワークの開発に焦点をあてる。
この枠組みは、境界条件(ノイマン/ディリクレ)、エントロピー条件、および正則性要件の仮定を自然に扱う。
論文 参考訳(メタデータ) (2023-07-09T08:27:17Z) - 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) - Convergence analysis of unsupervised Legendre-Galerkin neural networks
for linear second-order elliptic PDEs [0.8594140167290099]
教師なしレジェンダ-ガレルキンニューラルネットワーク(ULGNet)の収束解析を行う。
ULGNetは偏微分方程式(PDE)を解くためのディープラーニングに基づく数値法である
論文 参考訳(メタデータ) (2022-11-16T13:31:03Z) - Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。
我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。
その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文 参考訳(メタデータ) (2022-07-18T15:11:43Z) - 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) - 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) - 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) - Hybrid FEM-NN models: Combining artificial neural networks with the
finite element method [0.0]
本稿では, ニューラルネットワークと物理原理制約を組み合わせた偏微分方程式(PDE)の手法を提案する。
このアプローチでは、PDEを損失関数の一部とする最適化の強い制約として尊重しながら、ニューラルネットワークをトレーニングすることができる。
本稿では,ディープニューラルネットワークを用いた複雑な心筋モデル問題の解法を示す。
論文 参考訳(メタデータ) (2021-01-04T13:36:06Z) - Model Reduction and Neural Networks for Parametric PDEs [9.405458160620533]
無限次元空間間の入出力マップをデータ駆動で近似するフレームワークを開発した。
提案されたアプローチは、最近のニューラルネットワークとディープラーニングの成功に動機づけられている。
入力出力マップのクラスと、入力に対する適切な選択された確率測度について、提案手法の収束性を証明する。
論文 参考訳(メタデータ) (2020-05-07T00:09:27Z)
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。