Fugu-MT 論文翻訳(概要): DS-GPS : A Deep Statistical Graph Poisson Solver (for faster CFD simulations)

論文の概要: DS-GPS : A Deep Statistical Graph Poisson Solver (for faster CFD simulations)

arxiv url: http://arxiv.org/abs/2211.11763v1
Date: Mon, 21 Nov 2022 16:16:10 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 17:18:38.009933
Title: DS-GPS : A Deep Statistical Graph Poisson Solver (for faster CFD simulations)
Title（参考訳）: ds-gps : 深い統計グラフポアソン解法(cfdシミュレーションの高速化)
Authors: Matthieu Nastorg (CNRS, Inria, LISN, IFPEN), Marc Schoenauer (CNRS, Inria, LISN), Guillaume Charpiat (CNRS, Inria, LISN), Thibault Faney (IFPEN), Jean-Marc Gratien (IFPEN), Michele-Alessandro Bucci (CNRS, Inria, LISN)
Abstract要約: 設計により境界条件を強制する利点を生かして非構造格子を処理できるモデルを開発する。ポアソン方程式の残余を直接最小化することにより、モデルは正確な解を必要とせずに問題の物理学を学ぼうとする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a novel Machine Learning-based approach to solve a Poisson problem with mixed boundary conditions. Leveraging Graph Neural Networks, we develop a model able to process unstructured grids with the advantage of enforcing boundary conditions by design. By directly minimizing the residual of the Poisson equation, the model attempts to learn the physics of the problem without the need for exact solutions, in contrast to most previous data-driven processes where the distance with the available solutions is minimized.
Abstract（参考訳）: 本稿では,混合境界条件を用いたポアソン問題を解くための新しい機械学習手法を提案する。グラフニューラルネットワークを応用して,設計による境界条件の強制による非構造グリッドの処理が可能なモデルを開発する。ポアソン方程式の残差を直接最小化することで、モデルは、利用可能な解との距離が最小化された以前のデータ駆動プロセスと対照的に、正確な解を必要とせずに問題の物理学を学ぼうとする。

関連論文リスト

FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems [41.94295877935867]
偏微分方程式で記述された技術システムの数値シミュレーションと最適化は高価である。この文脈で比較的新しいアプローチは、ニューラルネットワークの優れた近似特性と古典的有限要素法を組み合わせることである。本稿では, この手法を, サドルポイント問題と非線形流体力学問題に拡張する。
論文参考訳（メタデータ） (2024-09-06T07:17:01Z)
Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文参考訳（メタデータ） (2024-06-05T17:59:22Z)
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)
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)
Random Grid Neural Processes for Parametric Partial Differential Equations [5.244037702157957]
我々はPDEのための空間確率物理の新しいクラスと深部潜伏モデルについて紹介する。パラメトリックPDEの前方および逆問題を解場のガウス過程モデルの構築につながる方法で解く。物理情報モデルにノイズのあるデータを原則的に組み込むことで、データの入手可能な問題に対する予測を改善する方法を示す。
論文参考訳（メタデータ） (2023-01-26T11:30:56Z)
MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文参考訳（メタデータ） (2022-10-11T14:52:20Z)
A deep learning approach to solve forward differential problems on graphs [6.756351172952362]
グラフ上の一次元非線形楕円・放物的・双曲的問題を解くための新しい深層学習手法を提案する。微分方程式の解法として物理インフォームドニューラルネットワーク(PINN)モデルを用いる。
論文参考訳（メタデータ） (2022-10-07T16:06:42Z)
Stacked Generative Machine Learning Models for Fast Approximations of Steady-State Navier-Stokes Equations [1.4150517264592128]
種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
論文参考訳（メタデータ） (2021-12-13T05:08:55Z)
Optimal Transport Based Refinement of Physics-Informed Neural Networks [0.0]
我々は、最適輸送(OT)の概念に基づく偏微分方程式(PDE)の解法として、よく知られた物理情報ニューラルネットワーク(PINN)の改良戦略を提案する。 PINNの解法は、完全接続された病理のスペクトルバイアス、不安定な勾配、収束と精度の難しさなど、多くの問題に悩まされている。本稿では,既存の PINN フレームワークを補完する OT-based sample を用いて,Fokker-Planck-Kolmogorov Equation (FPKE) を解くための新しいトレーニング戦略を提案する。
論文参考訳（メタデータ） (2021-05-26T02:51:20Z)
A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。