論文の概要: Physics-Informed Neural Operator for Learning Partial Differential Equations

• arxiv url: http://arxiv.org/abs/2111.03794v4
• Date: Sat, 29 Jul 2023 07:58:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 01:15:43.156392
• 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: 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。
• 参考スコア（独自算出の注目度）: 55.406540167010014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose physics-informed neural operators (PINO) that combine training data and physics constraints to learn the solution operator of a given family of parametric Partial Differential Equations (PDE). PINO is the first hybrid approach incorporating data and PDE constraints at different resolutions to learn the operator. Specifically, in PINO, we combine coarse-resolution training data with PDE constraints imposed at a higher resolution. The resulting PINO model can accurately approximate the ground-truth solution operator for many popular PDE families and shows no degradation in accuracy even under zero-shot super-resolution, i.e., being able to predict beyond the resolution of training data. PINO uses the Fourier neural operator (FNO) framework that is guaranteed to be a universal approximator for any continuous operator and discretization-convergent in the limit of mesh refinement. By adding PDE constraints to FNO at a higher resolution, we obtain a high-fidelity reconstruction of the ground-truth operator. Moreover, PINO succeeds in settings where no training data is available and only PDE constraints are imposed, while previous approaches, such as the Physics-Informed Neural Network (PINN), fail due to optimization challenges, e.g., in multi-scale dynamic systems such as Kolmogorov flows.
• Abstract（参考訳）: 本稿では、与えられたパラメトリック偏微分方程式(pde)の解作用素を学習するために、トレーニングデータと物理制約を組み合わせた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、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。 具体的には、PINOでは、粗分解能トレーニングデータと高分解能で課されるPDE制約を組み合わせる。 得られたPINOモデルは、多くの人気のあるPDEファミリーの基底構造解演算子を正確に近似することができ、ゼロショット超解像の下でも精度が劣化しない。 PINOは、連続演算子の普遍近似として保証され、メッシュ精錬の限界における離散化収束であるフーリエニューラル演算子(FNO)フレームワークを使用している。 より高分解能なFNOにPDE制約を加えることにより、基底トラス作用素の高忠実度再構成が得られる。 さらに、PINOはトレーニングデータを使用せず、PDE制約のみを課す設定に成功し、従来のアプローチであるPhysics-Informed Neural Network (PINN)は、例えばコルモゴロフフローのようなマルチスケールの動的システムにおいて最適化上の課題のために失敗する。

関連論文リスト

• Gaussian Process Priors for Boundary Value Problems of Linear Partial Differential Equations [3.524869467682149]
  偏微分方程式(PDE)の解法は計算科学の基本的な課題である。 近年、PDEに取り組むために、ニューラル演算子と物理インフォームドニューラルネットワーク(PINN)が導入されている。 本稿では, 線形PDEの一般システムと定数係数, 線形境界条件の両方を満たすGP事前の構成手法を提案する。
  論文  参考訳（メタデータ） (2024-11-25T18:48:15Z)
• DeltaPhi: Learning Physical Trajectory Residual for PDE Solving [54.13671100638092]
  我々は,物理軌道残差学習(DeltaPhi)を提案し,定式化する。 既存のニューラル演算子ネットワークに基づく残差演算子マッピングのサロゲートモデルについて学習する。 直接学習と比較して,PDEの解法には物理残差学習が望ましいと結論づける。
  論文  参考訳（メタデータ） (2024-06-14T07:45:07Z)
• RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
  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)の解法として広く応用されている。 本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。 実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
  論文  参考訳（メタデータ） (2024-05-23T09:45:57Z)
• 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)
• 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)
• Generic bounds on the approximation error for physics-informed (and) operator learning [7.6146285961466]
  本稿では,物理インフォームドニューラルネットワーク(PINN)とDeepONetsやFNOといった演算子学習アーキテクチャの近似誤差の厳密な境界を導出するフレームワークを提案する。 これらの境界は、PINNと(物理インフォームド)ディープノネットやFNOが、一般偏微分方程式(PDE)の根底にある解や解作用素を効率的に近似することを保証している。
  論文  参考訳（メタデータ） (2022-05-23T15:40:33Z)
• 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。