論文の概要: Applications of physics informed neural operators
- arxiv url: http://arxiv.org/abs/2203.12634v1
- Date: Wed, 23 Mar 2022 18:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-26 04:00:54.768835
- Title: Applications of physics informed neural operators
- Title(参考訳): 物理情報ニューラル演算子の応用
- Authors: Shawn G. Rosofsky, E. A. Huerta
- Abstract要約: 偏微分方程式を学習するためのエンドツーエンドフレームワークを提案する。
まず,本手法が他のニューラル演算子の精度と性能を再現することを示す。
2次元バーガース方程式を含む新しいタイプの方程式を学習するために、物理インフォームド・ニューラル演算子を適用した。
- 参考スコア(独自算出の注目度): 2.588973722689844
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an end-to-end framework to learn partial differential equations
that brings together initial data production, selection of boundary conditions,
and the use of physics-informed neural operators to solve partial differential
equations that are ubiquitous in the study and modeling of physics phenomena.
We first demonstrate that our methods reproduce the accuracy and performance of
other neural operators published elsewhere in the literature to learn the 1D
wave equation and the 1D Burgers equation. Thereafter, we apply our
physics-informed neural operators to learn new types of equations, including
the 2D Burgers equation in the scalar, inviscid and vector types. Finally, we
show that our approach is also applicable to learn the physics of the 2D linear
and nonlinear shallow water equations, which involve three coupled partial
differential equations. We release our artificial intelligence surrogates and
scientific software to produce initial data and boundary conditions to study a
broad range of physically motivated scenarios. We provide the source code, an
interactive website to visualize the predictions of our physics informed neural
operators, and a tutorial for their use at the Data and Learning Hub for
Science.
- Abstract(参考訳): 物理現象の研究やモデリングにおいてユビキタスな偏微分方程式を解くために,初期データ生成,境界条件の選択,および物理インフォームド・ニューラル演算子を用いて,偏微分方程式を学習するエンド・ツー・エンドのフレームワークを提案する。
まず,本手法は,他の文献で発表された他のニューラルネットワークの精度と性能を再現し,1次元波動方程式と1次元バーガース方程式を学習する。
その後、スカラー・インビシデント・ベクトル型における2次元バーガース方程式を含む新しいタイプの方程式を学習するために、物理学インフォームド・ニューラル演算子を適用した。
最後に, 3つの連成偏微分方程式を含む2次元線形および非線形浅水方程式の物理を学習する手法も適用可能であることを示した。
私たちは人工知能と科学ソフトウェアをリリースし、初期データと境界条件を生成し、幅広い身体的動機づけのあるシナリオを研究します。
ソースコード、物理学的なインフォームドニューラルオペレーターの予測を視覚化するインタラクティブなwebサイト、そして科学のためのdata and learning hubでの使用のためのチュートリアルを提供する。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - PICL: Physics Informed Contrastive Learning for Partial Differential
Equations [8.430481660019451]
一般化されたコントラスト的損失を利用した新しいコントラスト的事前学習フレームワークを開発した。
物理インフォームドコントラストプレトレーニングは、固定未来タスクにおけるフーリエニューラル演算子の精度と一般化の両方を改善する。
論文 参考訳(メタデータ) (2024-01-29T17:32:22Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳(メタデータ) (2023-09-27T00:12:07Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Learning differential equations from data [0.0]
近年,データ量の多さから,データから微分方程式モデルを学習するためのデータ駆動手法の探索が活発に行われている。
本稿では,複数の隠蔽層と異なるニューラルネットワーク幅を用いて,データからODEを学習することで,フォワード・オイラーに基づくニューラルネットワークモデルを提案し,その性能を検証した。
論文 参考訳(メタデータ) (2022-05-23T17:36:28Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳(メタデータ) (2022-02-24T20:46:52Z) - Climate Modeling with Neural Diffusion Equations [3.8521112392276]
ニューラル常微分方程式(NODE)と拡散方程式に基づく新しい気候モデルの設計を行う。
我々の手法は、既存のベースラインを非自明なマージンで一貫して上回る。
論文 参考訳(メタデータ) (2021-11-11T01:48:46Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - Partial Differential Equations is All You Need for Generating Neural
Architectures -- A Theory for Physical Artificial Intelligence Systems [29.667065357274385]
統計物理学では反応拡散方程式、量子力学ではschr"odinger方程式、同軸光学ではhelmholtz方程式を一般化する。
数値解を求めるために,有限差分法を用いてNPDEを判別する。
多層パーセプトロン、畳み込みニューラルネットワーク、繰り返しニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構成要素が生成されます。
論文 参考訳(メタデータ) (2021-03-10T00:05:46Z) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳(メタデータ) (2020-10-18T00:34:21Z)
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。