論文の概要: A Hybrid Iterative Numerical Transferable Solver (HINTS) for PDEs Based
on Deep Operator Network and Relaxation Methods
- arxiv url: http://arxiv.org/abs/2208.13273v1
- Date: Sun, 28 Aug 2022 19:07:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:54:19.419554
- Title: A Hybrid Iterative Numerical Transferable Solver (HINTS) for PDEs Based
on Deep Operator Network and Relaxation Methods
- Title(参考訳): 深部演算子ネットワークと緩和法に基づくPDEのためのハイブリッド反復型数値伝達可能解法(HINTS)
- Authors: Enrui Zhang, Adar Kahana, Eli Turkel, Rishikesh Ranade, Jay Pathak,
George Em Karniadakis
- Abstract要約: HINTSは微分方程式のハイブリッド、反復、数値、移動可能な解法である。
これは、機械ゼロに近い精度を維持しながら、幅広い微分方程式に対してより高速な解を提供する。
計算領域に関して柔軟であり、異なる離散化に転送可能である。
- 参考スコア(独自算出の注目度): 0.5592394503914488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Iterative solvers of linear systems are a key component for the numerical
solutions of partial differential equations (PDEs). While there have been
intensive studies through past decades on classical methods such as Jacobi,
Gauss-Seidel, conjugate gradient, multigrid methods and their more advanced
variants, there is still a pressing need to develop faster, more robust and
reliable solvers. Based on recent advances in scientific deep learning for
operator regression, we propose HINTS, a hybrid, iterative, numerical, and
transferable solver for differential equations. HINTS combines standard
relaxation methods and the Deep Operator Network (DeepONet). Compared to
standard numerical solvers, HINTS is capable of providing faster solutions for
a wide class of differential equations, while preserving the accuracy close to
machine zero. Through an eigenmode analysis, we find that the individual
solvers in HINTS target distinct regions in the spectrum of eigenmodes,
resulting in a uniform convergence rate and hence exceptional performance of
the hybrid solver overall. Moreover, HINTS applies to equations in
multidimensions, and is flexible with regards to computational domain and
transferable to different discretizations.
- Abstract(参考訳): 線形系の反復解法は偏微分方程式(PDE)の数値解の鍵となる要素である。
過去数十年間、ヤコビ、ガウス=シーデル、共役勾配、多重グリッド法などの古典的な方法の研究が続けられてきたが、より速く、より堅牢で信頼性の高い解法を開発する必要性がまだ強い。
演算子の回帰に対する科学的深層学習の最近の進歩に基づき、微分方程式に対するハイブリッド、反復、数値、移乗可能な解法であるHINTSを提案する。
HINTSは、標準的な緩和手法とDeep Operator Network(DeepONet)を組み合わせている。
標準的な数値解法と比較して、HINTSは機械ゼロに近い精度を保ちながら、幅広い微分方程式に対してより高速な解を提供することができる。
固有モード解析により、HINTSの個々のソルバは固有モードのスペクトルの異なる領域をターゲットにしており、結果として一様収束率となり、結果としてハイブリッドソルバ全体の例外的な性能が得られた。
さらに、ヒントは多次元方程式に適用され、計算領域に関して柔軟であり、異なる離散化に転送可能である。
関連論文リスト
- Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳(メタデータ) (2023-11-02T02:05:38Z) - 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) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳(メタデータ) (2022-07-28T19:59:14Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
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。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Semi-Implicit Neural Solver for Time-dependent Partial Differential
Equations [4.246966726709308]
本稿では,PDEの任意のクラスに対して,データ駆動方式で最適な反復スキームを学習するためのニューラルソルバを提案する。
従来の反復解法に類似したニューラルソルバの正当性と収束性に関する理論的保証を提供する。
論文 参考訳(メタデータ) (2021-09-03T12:03:10Z) - Unsupervised Reservoir Computing for Solving Ordinary Differential
Equations [1.6371837018687636]
通常の微分方程式(ODE)を満たす近似解を発見することができるエコー状態のリカレントニューラルネットワーク
ベイジアン最適化を用いて高次元ハイパーパラメータ空間における最適集合を効率よく発見し、1つの集合がロバストであり、異なる初期条件と時間範囲のODEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-08-25T18:16:42Z) - A Probabilistic State Space Model for Joint Inference from Differential
Equations and Data [23.449725313605835]
ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。
その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。
本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
論文 参考訳(メタデータ) (2021-03-18T10:36:09Z) - Solving non-linear Kolmogorov equations in large dimensions by using
deep learning: a numerical comparison of discretization schemes [16.067228939231047]
非線形偏微分コルモゴロフ方程式は、幅広い時間依存現象を記述するのに有効である。
深層学習は、これらの方程式を高次元で解くために導入された。
本研究では, 観測された計算の複雑性に影響を与えることなく, 精度の向上が可能であることを示す。
論文 参考訳(メタデータ) (2020-12-09T07:17:26Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳(メタデータ) (2020-09-08T13:26:51Z) - 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。