論文の概要: Physics-Informed Neural Operator for Learning Partial Differential
Equations
- arxiv url: http://arxiv.org/abs/2111.03794v1
- Date: Sat, 6 Nov 2021 03:41:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 17:53:28.982747
- Title: Physics-Informed Neural Operator for Learning Partial Differential
Equations
- Title(参考訳): 偏微分方程式学習のための物理インフォームドニューラル演算子
- Authors: Zongyi Li, Hongkai Zheng, Nikola Kovachki, David Jin, Haoxuan Chen,
Burigede Liu, Kamyar Azizzadenesheli, Anima Anandkumar
- Abstract要約: PDEを解くために物理インフォームド・ニューラル演算子(PINO)を提案する。
PINOは、オペレーティングラーニングと関数最適化のフレームワークを組み合わせている。
これは、多くの人気のあるPDEファミリーにおいて、以前のMLメソッドよりも優れています。
- 参考スコア(独自算出の注目度): 39.12170494360275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning methods have recently shown promise in solving partial
differential equations (PDEs). They can be classified into two broad
categories: approximating the solution function and learning the solution
operator. The Physics-Informed Neural Network (PINN) is an example of the
former while the Fourier neural operator (FNO) is an example of the latter.
Both these approaches have shortcomings. The optimization in PINN is
challenging and prone to failure, especially on multi-scale dynamic systems.
FNO does not suffer from this optimization issue since it carries out
supervised learning on a given dataset, but obtaining such data may be too
expensive or infeasible. In this work, we propose the physics-informed neural
operator (PINO), where we combine the operating-learning and
function-optimization frameworks. This integrated approach improves convergence
rates and accuracy over both PINN and FNO models. In the operator-learning
phase, PINO learns the solution operator over multiple instances of the
parametric PDE family. In the test-time optimization phase, PINO optimizes the
pre-trained operator ansatz for the querying instance of the PDE. Experiments
show PINO outperforms previous ML methods on many popular PDE families while
retaining the extraordinary speed-up of FNO compared to solvers. In particular,
PINO accurately solves challenging long temporal transient flows and Kolmogorov
flows where other baseline ML methods fail to converge.
- Abstract(参考訳): 機械学習手法は偏微分方程式(pdes)の解法として期待されている。
これらは解関数の近似と解演算子の学習という2つの広いカテゴリに分類できる。
物理学に変形したニューラルネットワーク(pinn)は前者の例であり、フーリエニューラルネットワーク(fno)は後者の例である。
どちらのアプローチにも欠点がある。
PINNの最適化は困難であり、特にマルチスケールの動的システムでは失敗する傾向にある。
FNOは、与えられたデータセット上で教師付き学習を行うため、この最適化の問題に悩まされることはないが、そのようなデータを取得するには高すぎるか、実現不可能である可能性がある。
本研究では,物理インフォームド・ニューラル演算子(PINO)を提案し,オペレーティング・ラーニングと関数最適化のフレームワークを組み合わせる。
この統合アプローチは、PINNモデルとFNOモデルの両方に対する収束率と精度を改善する。
演算子学習フェーズでは、PINOはパラメトリックPDEファミリーの複数のインスタンス上で解演算子を学習する。
テスト時間最適化フェーズでは、PINOはPDEのクエリインスタンスに対して事前訓練された演算子アンサッツを最適化する。
PINOは、多くのPDEファミリーにおいて、FNOの異常なスピードアップを維持しながら、従来のML手法よりも優れていた。
特に、ピノは、他のベースラインml法が収束しないコルモゴロフ流(kolmogorov flow)と長い時間的過渡流を正確に解く。
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) - Koopman neural operator as a mesh-free solver of non-linear partial
differential equations [7.815723299913228]
機械学習において、ニューラル演算子は方程式解の異なるパラメータ化空間の間をマッピングする。
これらの課題を克服するために、新しいニューラル演算子であるクープマンニューラル演算子(KNO)を提案する。
KNOは精度と効率のトレードオフを破る際、顕著な利点を示す。
論文 参考訳(メタデータ) (2023-01-24T14:10:15Z) - Noise-aware Physics-informed Machine Learning for Robust PDE Discovery [5.746505534720594]
この研究は、物理系の制御偏微分方程式(PDE)の発見に関係している。
既存の手法では、有限観測からPDEの同定を実証しているが、ノイズデータに対する満足度を維持できなかった。
本稿では、任意の分布に従うデータからPDEを管理するためのノイズ対応物理インフォームド機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-26T15:29:07Z) - 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) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳(メタデータ) (2022-05-27T03:24:31Z) - 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) - 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) - A nonlocal physics-informed deep learning framework using the
peridynamic differential operator [0.0]
本研究では,長距離相互作用を組み込んだ数値計算法であるPeridynamic Differential Operator (PDDO) を用いた非局所PINN手法を開発した。
PDDO関数はニューラルネットワークアーキテクチャに容易に組み込むことができるため、非局所性は現代のディープラーニングアルゴリズムの性能を低下させることはない。
本稿では,非局所PINNの解法精度とパラメータ推定の両方において,局所PINNに対して優れた振る舞いを示す。
論文 参考訳(メタデータ) (2020-05-31T06:26:21Z)
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。