論文の概要: Physics-constrained Unsupervised Learning of Partial Differential
Equations using Meshes
- arxiv url: http://arxiv.org/abs/2203.16628v1
- Date: Wed, 30 Mar 2022 19:22:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-02 11:22:36.975622
- Title: Physics-constrained Unsupervised Learning of Partial Differential
Equations using Meshes
- Title(参考訳): メッシュを用いた部分微分方程式の物理制約付き教師なし学習
- Authors: Mike Y. Michelis and Robert K. Katzschmann
- Abstract要約: グラフニューラルネットワークは、不規則にメッシュ化されたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。
本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いてそれらを処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。
本フレームワークは, ソフトボディ変形のモデルベース制御など, PDEソルバをインタラクティブな設定に適用する。
- 参考スコア(独自算出の注目度): 1.066048003460524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enhancing neural networks with knowledge of physical equations has become an
efficient way of solving various physics problems, from fluid flow to
electromagnetism. Graph neural networks show promise in accurately representing
irregularly meshed objects and learning their dynamics, but have so far
required supervision through large datasets. In this work, we represent meshes
naturally as graphs, process these using Graph Networks, and formulate our
physics-based loss to provide an unsupervised learning framework for partial
differential equations (PDE). We quantitatively compare our results to a
classical numerical PDE solver, and show that our computationally efficient
approach can be used as an interactive PDE solver that is adjusting boundary
conditions in real-time and remains sufficiently close to the baseline
solution. Our inherently differentiable framework will enable the application
of PDE solvers in interactive settings, such as model-based control of
soft-body deformations, or in gradient-based optimization methods that require
a fully differentiable pipeline.
- Abstract(参考訳): 物理方程式の知識によるニューラルネットワークの強化は、流体の流れから電磁界まで、様々な物理問題を解く効率的な方法となっている。
グラフニューラルネットワークは、不規則にメッシュされたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。
本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いて処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。
この結果と古典的数値PDE解法を定量的に比較し, 実時間で境界条件を調整し, ベースライン解に十分近い計算効率のよいPDE解法を, 対話型PDE解法として利用できることを示す。
我々の本質的に微分可能なフレームワークは、ソフトボディ変形のモデルベース制御や、完全に微分可能なパイプラインを必要とする勾配ベースの最適化など、インタラクティブな設定でPDEソルバを適用できるようにする。
関連論文リスト
- 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) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳(メタデータ) (2023-02-19T20:33:32Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - 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線形偏微分方程式(PDE)制約を強制する実用的な方法を提案する。
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) - Mitigating Learning Complexity in Physics and Equality Constrained
Artificial Neural Networks [0.9137554315375919]
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。
PINNでは、利害関係のPDEの残留形態とその境界条件は、軟罰として複合目的関数にまとめられる。
本稿では,この目的関数を定式化する方法が,異なる種類のPDEに適用した場合のPINNアプローチにおける厳しい制約の源であることを示す。
論文 参考訳(メタデータ) (2022-06-19T04:12:01Z) - Learning time-dependent PDE solver using Message Passing Graph Neural
Networks [0.0]
本稿では,メッセージパッシングモデルを用いた学習を通して,効率的なPDE解法を見つけるためのグラフニューラルネットワーク手法を提案する。
グラフを用いて、非構造化メッシュ上でPDEデータを表現し、メッセージパッシンググラフニューラルネットワーク(MPGNN)が支配方程式をパラメータ化できることを示す。
繰り返しグラフニューラルネットワークは,PDEに対する解の時間列を見つけることができることを示す。
論文 参考訳(メタデータ) (2022-04-15T21:10:32Z) - Message Passing Neural PDE Solvers [60.77761603258397]
偏微分方程式(PDE)の数値解は困難であり、これまでの1世紀にわたる研究に繋がった。
近年、ニューラルネットワークと数値のハイブリッド・ソルバの構築が推進されており、これは現代のエンドツーエンドの学習システムへのトレンドを後押ししている。
この研究では、すべてのコンポーネントがニューラルメッセージパッシングに基づいて、これらの特性を満たす解決器を構築します。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - 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) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。