論文の概要: DOSnet as a Non-Black-Box PDE Solver: When Deep Learning Meets Operator Splitting

• arxiv url: http://arxiv.org/abs/2212.05571v1
• Date: Sun, 11 Dec 2022 18:23:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 18:43:51.198904
• Title: DOSnet as a Non-Black-Box PDE Solver: When Deep Learning Meets Operator Splitting
• Title（参考訳）: 非ブラックボックスPDEソリューションとしてのDOSnet:ディープラーニングがオペレータ分割に遭遇する
• Authors: Yuan Lan, Zhen Li, Jie Sun, Yang Xiang
• Abstract要約: 我々はDeep Operator-Splitting Network (DOSnet) と名付けた学習型PDEソルバを開発した。 DOSnetは物理規則から構築され、基礎となるダイナミクスを管理する演算子は学習可能なパラメータを含む。 我々は、演算子分解可能な微分方程式のいくつかのタイプでそれを訓練し、検証する。
• 参考スコア（独自算出の注目度）: 12.655884541938656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) recently emerged as a promising tool for analyzing and solving complex differential equations arising in science and engineering applications. Alternative to traditional numerical schemes, learning-based solvers utilize the representation power of DNNs to approximate the input-output relations in an automated manner. However, the lack of physics-in-the-loop often makes it difficult to construct a neural network solver that simultaneously achieves high accuracy, low computational burden, and interpretability. In this work, focusing on a class of evolutionary PDEs characterized by having decomposable operators, we show that the classical ``operator splitting'' numerical scheme of solving these equations can be exploited to design neural network architectures. This gives rise to a learning-based PDE solver, which we name Deep Operator-Splitting Network (DOSnet). Such non-black-box network design is constructed from the physical rules and operators governing the underlying dynamics contains learnable parameters, and is thus more flexible than the standard operator splitting scheme. Once trained, it enables the fast solution of the same type of PDEs. To validate the special structure inside DOSnet, we take the linear PDEs as the benchmark and give the mathematical explanation for the weight behavior. Furthermore, to demonstrate the advantages of our new AI-enhanced PDE solver, we train and validate it on several types of operator-decomposable differential equations. We also apply DOSnet to nonlinear Schr\"odinger equations (NLSE) which have important applications in the signal processing for modern optical fiber transmission systems, and experimental results show that our model has better accuracy and lower computational complexity than numerical schemes and the baseline DNNs.
• Abstract（参考訳）: 深層ニューラルネットワーク(dnn)は、科学や工学の応用で生じる複雑な微分方程式を解析し、解決するための有望なツールとして最近登場した。 従来の数値スキームの代わりに、学習ベースの解法はDNNの表現力を利用して入力-出力関係を自動で近似する。 しかしながら、ループ内物理の欠如は、高い精度、低い計算負荷、そして解釈可能性を同時に達成するニューラルネットワークソルバの構築を困難にすることが多い。 本研究では,分解可能な演算子を特徴とする進化的pdesのクラスに着目し,これらの方程式を解く古典的な ``operator split''' の数値スキームをニューラルネットワークアーキテクチャの設計に活用できることを示す。 これにより、Deep Operator-Splitting Network (DOSnet)という名前の学習ベースのPDEソルバが生まれる。 このような非ブラックボックスネットワーク設計は、物理ルールから構築され、基礎となるダイナミクスを管理するオペレータには学習可能なパラメータが含まれており、通常の演算子分割方式よりも柔軟である。 トレーニングが完了すると、同じタイプのpdesの高速解法が可能になる。 DOSnet内の特殊構造を検証するため,線形PDEをベンチマークとして,重み挙動の数学的説明を与える。 さらに,新しいaiエンハンス型pdeソルバの利点を示すために,数種類の作用素分解型微分方程式を学習し,検証する。 また,光ファイバー伝送システムにおいて信号処理に重要な応用を有する非線形schr\"odinger方程式 (nlse) にもdosnetを適用することにより,数値スキームやベースラインdnnよりも精度と計算複雑性が向上することを示した。

関連論文リスト

• Monte Carlo Neural Operator for Learning PDEs via Probabilistic Representation [73.59112655492976]
  ニューラルネットワークは、偏微分方程式(PDE)系の解写像を近似するためにディープニューラルネットワークを使用する。 We developed a new loss function based on the Feynman-Kac formula and called the developed Neural operator Monte-Carlo Neural Operator (MCNO) 解析の結果,MCNOは複雑な空間条件や時間的ステップを扱う上で,他の教師なし手法と比較して有利であることがわかった。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Koopman neural operator as a mesh-free solver of non-linear partial differential equations [7.815723299913228]
  機械学習において、ニューラル演算子は方程式解の異なるパラメータ化空間の間をマッピングする。 これらの課題を克服するために、新しいニューラル演算子であるクープマンニューラル演算子(KNO)を提案する。 KNOは精度と効率のトレードオフを破る際、顕著な利点を示す。
  論文  参考訳（メタデータ） (2023-01-24T14:10:15Z)
• 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)
• PhyGNNet: Solving spatiotemporal PDEs with Physics-informed Graph Neural Network [12.385926494640932]
  本稿では,グラフニューラルネットワークの基本値から偏微分方程式を解くためのPhyGNNetを提案する。 特に、計算領域を正規グリッドに分割し、グリッド上の偏微分演算子を定義し、PhyGNNetモデルを構築する最適化のためにネットワークのpde損失を構築する。
  論文  参考訳（メタデータ） (2022-08-07T13:33:34Z)
• 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)
• Frame invariance and scalability of neural operators for partial differential equations [5.872676314924041]
  偏微分方程式(PDE)は多くの複雑な力学過程の数学的モデリングにおいて支配的な役割を果たす。 トレーニング後、ニューラル演算子は従来のPDE解法よりもはるかに高速なPDEソリューションを提供することができる。
  論文  参考訳（メタデータ） (2021-12-28T02:36:19Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Physics-informed attention-based neural network for solving non-linear partial differential equations [6.103365780339364]
  物理情報ニューラルネットワーク(PINN)は、物理プロセスのモデリングにおいて大幅な改善を実現しました。 PINNは単純なアーキテクチャに基づいており、ネットワークパラメータを最適化することで複雑な物理システムの振る舞いを学習し、基礎となるPDEの残余を最小限に抑える。 ここでは、非線形PDEの複雑な振る舞いを学ぶのに、どのネットワークアーキテクチャが最適かという問題に対処する。
  論文  参考訳（メタデータ） (2021-05-17T14:29:08Z)
• 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。