論文の概要: $r-$Adaptive Deep Learning Method for Solving Partial Differential
Equations
- arxiv url: http://arxiv.org/abs/2210.10900v1
- Date: Wed, 19 Oct 2022 21:38:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 13:40:06.489490
- Title: $r-$Adaptive Deep Learning Method for Solving Partial Differential
Equations
- Title(参考訳): 部分微分方程式を解くための$r-$Adaptive Deep Learning法
- Authors: \'Angel J. Omella and David Pardo
- Abstract要約: 本稿では,Deep Neural Network を用いて部分微分方程式を解くための$r-$adaptiveアルゴリズムを提案する。
提案手法は, テンソル積メッシュに制限され, 境界ノードの位置を1次元で最適化し, そこから2次元または3次元メッシュを構築する。
- 参考スコア(独自算出の注目度): 0.685316573653194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce an $r-$adaptive algorithm to solve Partial Differential
Equations using a Deep Neural Network. The proposed method restricts to tensor
product meshes and optimizes the boundary node locations in one dimension, from
which we build two- or three-dimensional meshes. The method allows the
definition of fixed interfaces to design conforming meshes, and enables changes
in the topology, i.e., some nodes can jump across fixed interfaces. The method
simultaneously optimizes the node locations and the PDE solution values over
the resulting mesh. To numerically illustrate the performance of our proposed
$r-$adaptive method, we apply it in combination with a collocation method, a
Least Squares Method, and a Deep Ritz Method. We focus on the latter to solve
one- and two-dimensional problems whose solutions are smooth, singular, and/or
exhibit strong gradients.
- Abstract(参考訳): 深層ニューラルネットワークを用いた偏微分方程式の解法として,$r-$adaptiveアルゴリズムを提案する。
提案手法は, テンソル積メッシュに制限を課し, 境界ノードの位置を1次元で最適化し, そこから2次元または3次元メッシュを構築する。
この方法では、固定インターフェースを定義することで、メッシュに準拠した設計が可能になり、トポロジの変化、すなわち固定インターフェースを飛び越えるノードなどが可能になる。
この手法はノード位置とPDEソリューション値を同時にメッシュ上で最適化する。
提案した$r-$adaptive法の性能を数値的に説明するために,コロケーション法,Last Squares法,Deep Ritz法と組み合わせて適用する。
我々は, 解が滑らか, 特異, または強い勾配を示す一次元および二次元問題を解くために, 後者に焦点を当てる。
関連論文リスト
- A Deep-Genetic Algorithm (Deep-GA) Approach for High-Dimensional
Nonlinear Parabolic Partial Differential Equations [0.0]
本稿では,Deep-BSDE法の性能向上のために,ディープジェネティックアルゴリズム(deep-GA)と呼ばれる新しい手法を提案する。
初期推定選択に対する解の感度を認識し、遺伝的アルゴリズム(GA)を解法に組み込んで選択を最適化する。
提案手法は計算効率が大幅に向上し, 比較精度が向上することを示す。
論文 参考訳(メタデータ) (2023-11-20T06:35:23Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - An Extreme Learning Machine-Based Method for Computational PDEs in
Higher Dimensions [1.2981626828414923]
本稿では,確率型ニューラルネットワークに基づく高次元偏微分方程式(PDE)の解法について述べる。
本稿では,高次元線形・非線形定常・動的PDEの数値シミュレーションを行い,その性能を実証する。
論文 参考訳(メタデータ) (2023-09-13T15:59:02Z) - Multilevel CNNs for Parametric PDEs [0.0]
偏微分方程式に対する多段階解法の概念とニューラルネットワークに基づくディープラーニングを組み合わせる。
より詳細な理論的解析により,提案アーキテクチャは乗算Vサイクルを任意の精度で近似できることを示した。
最先端のディープラーニングベースの解法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-04-01T21:11:05Z) - Towards a machine learning pipeline in reduced order modelling for
inverse problems: neural networks for boundary parametrization,
dimensionality reduction and solution manifold approximation [0.0]
逆問題、特に偏微分方程式の文脈では、膨大な計算負荷を必要とする。
ニューラルネットワークを用いた数値パイプラインを用いて,問題の境界条件のパラメータ化を行う。
これは、インレット境界のアドホックなパラメトリゼーションを提供することができ、迅速に最適解に収束する一般的な枠組みに由来する。
論文 参考訳(メタデータ) (2022-10-26T14:53:07Z) - DRSOM: A Dimension Reduced Second-Order Method [13.778619250890406]
信頼的な枠組みの下では,2次法の収束を保ちながら,数方向の情報のみを用いる。
理論的には,この手法は局所収束率と大域収束率が$O(epsilon-3/2)$であり,第1次条件と第2次条件を満たすことを示す。
論文 参考訳(メタデータ) (2022-07-30T13:05:01Z) - 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偏微分方程式(PDE)制約を強制する実践的手法を提案する。
我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。
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) - Deep Learning Approximation of Diffeomorphisms via Linear-Control
Systems [91.3755431537592]
我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。
対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
論文 参考訳(メタデータ) (2021-10-24T08:57:46Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳(メタデータ) (2020-06-16T13:41:54Z) - GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal
Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。
我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文 参考訳(メタデータ) (2020-02-17T20:21:20Z)
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。