論文の概要: JAX-DIPS: Neural bootstrapping of finite discretization methods and
application to elliptic problems with discontinuities
- arxiv url: http://arxiv.org/abs/2210.14312v1
- Date: Tue, 25 Oct 2022 20:13:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 15:43:12.555516
- Title: JAX-DIPS: Neural bootstrapping of finite discretization methods and
application to elliptic problems with discontinuities
- Title(参考訳): JAX-DIPS:有限離散化法のニューラルブートストラップと不連続な楕円問題への応用
- Authors: Pouria Mistani, Samira Pakravan, Rajesh Ilango, Frederic Gibou
- Abstract要約: メッシュフリーなニューロシンボリック偏微分方程式解法の開発のためのスケーラブルな戦略を提案する。
この戦略は、偏微分方程式の解関数と演算子に対するニューラルネットワークサロゲートモデルを効率的に訓練するために用いられる。
提案したニューラルブートストラップ法(以下 NBM と呼ぶ)は,PDE システムの有限離散化残基の評価に基づいている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present a scalable strategy for development of mesh-free hybrid
neuro-symbolic partial differential equation solvers based on existing
mesh-based numerical discretization methods. Particularly, this strategy can be
used to efficiently train neural network surrogate models for the solution
functions and operators of partial differential equations while retaining the
accuracy and convergence properties of the state-of-the-art numerical solvers.
The presented neural bootstrapping method (hereby dubbed NBM) is based on
evaluation of the finite discretization residuals of the PDE system obtained on
implicit Cartesian cells centered on a set of random collocation points with
respect to trainable parameters of the neural network. We apply NBM to the
important class of elliptic problems with jump conditions across irregular
interfaces in three spatial dimensions. We show the method is convergent such
that model accuracy improves by increasing number of collocation points in the
domain. The algorithms presented here are implemented and released in a
software package named JAX-DIPS (https://github.com/JAX-DIPS/JAX-DIPS),
standing for differentiable interfacial PDE solver. JAX-DIPS is purely
developed in JAX, offering end-to-end differentiability from mesh generation to
the higher level discretization abstractions, geometric integrations, and
interpolations, thus facilitating research into use of differentiable
algorithms for developing hybrid PDE solvers.
- Abstract(参考訳): 本稿では,メッシュ型数値離散化法に基づくメッシュフリーハイブリッド型ニューロシンボリック偏微分方程式解法の開発のためのスケーラブルな戦略を提案する。
特に、この戦略は偏微分方程式の解関数と演算子のモデルを効率的に学習し、最先端の数値解法の精度と収束性を保ったままにすることができる。
提案手法(以下nbmと呼ぶ)は、ニューラルネットワークの学習可能なパラメータに関して、ランダムなコロケーション点の集合を中心とする暗黙のデカルトセル上で得られるpdeシステムの有限離散化残差の評価に基づいている。
NBMを3次元における不規則な界面を横断するジャンプ条件を持つ楕円問題の重要なクラスに適用する。
本手法は,領域内のコロケーション点の数を増やすことにより,モデル精度が向上することを示す。
ここで提示されるアルゴリズムはJAX-DIPS(https://github.com/JAX-DIPS/JAX-DIPS)と呼ばれるソフトウェアパッケージで実装され、リリースされている。
JAX-DIPS は JAX で純粋に開発されており、メッシュ生成からより高いレベルの離散化抽象化、幾何積分、補間に至るまでのエンドツーエンドの微分可能性を提供しており、ハイブリッド PDE ソルバを開発するための微分可能アルゴリズムの研究を容易にする。
関連論文リスト
- 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) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳(メタデータ) (2023-04-28T17:28:18Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - 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) - 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) - 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) - 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) - PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving
Spatiotemporal PDEs [8.220908558735884]
偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。
近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。
本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
論文 参考訳(メタデータ) (2021-06-26T22:22:19Z) - Hybrid FEM-NN models: Combining artificial neural networks with the
finite element method [0.0]
本稿では, ニューラルネットワークと物理原理制約を組み合わせた偏微分方程式(PDE)の手法を提案する。
このアプローチでは、PDEを損失関数の一部とする最適化の強い制約として尊重しながら、ニューラルネットワークをトレーニングすることができる。
本稿では,ディープニューラルネットワークを用いた複雑な心筋モデル問題の解法を示す。
論文 参考訳(メタデータ) (2021-01-04T13:36:06Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳(メタデータ) (2020-09-29T12:50:33Z) - 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。