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
- 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。