論文の概要: Inference of Nonlinear Partial Differential Equations via Constrained
Gaussian Processes
- arxiv url: http://arxiv.org/abs/2212.11880v1
- Date: Thu, 22 Dec 2022 17:14:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 15:22:25.185382
- Title: Inference of Nonlinear Partial Differential Equations via Constrained
Gaussian Processes
- Title(参考訳): 制約ガウス過程による非線形偏微分方程式の推定
- Authors: Zhaohui Li, Shihao Yang, Jeff Wu
- Abstract要約: 偏微分方程式 (Partial differential equation, PDE) は、物理現象や工学現象の記述に広く用いられている。
重要な科学的解釈を持つ物理特性を表すPDEに関連するいくつかの重要なパラメータは、直接的に測定することが困難または不可能である。
PDE-Informed Gaussian Process Inference (PIGPI) と呼ばれるPDEにおける未知パラメータを推定する新しい手法を提案する。
- 参考スコア(独自算出の注目度): 5.451907668624656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Partial differential equations (PDEs) are widely used for description of
physical and engineering phenomena. Some key parameters involved in PDEs, which
represents certain physical properties with important scientific
interpretations, are difficult or even impossible to be measured directly.
Estimation of these parameters from noisy and sparse experimental data of
related physical quantities is an important task. Many methods for PDE
parameter inference involve a large number of evaluations of numerical solution
of PDE through algorithms such as finite element method, which can be
time-consuming especially for nonlinear PDEs. In this paper, we propose a novel
method for estimating unknown parameters in PDEs, called PDE-Informed Gaussian
Process Inference (PIGPI). Through modeling the PDE solution as a Gaussian
process (GP), we derive the manifold constraints induced by the (linear) PDE
structure such that under the constraints, the GP satisfies the PDE. For
nonlinear PDEs, we propose an augmentation method that transfers the nonlinear
PDE into an equivalent PDE system linear in all derivatives that our PIGPI can
handle. PIGPI can be applied to multi-dimensional PDE systems and PDE systems
with unobserved components. The method completely bypasses the numerical solver
for PDE, thus achieving drastic savings in computation time, especially for
nonlinear PDEs. Moreover, the PIGPI method can give the uncertainty
quantification for both the unknown parameters and the PDE solution. The
proposed method is demonstrated by several application examples from different
areas.
- Abstract(参考訳): 偏微分方程式(PDE)は物理現象や工学現象の記述に広く用いられている。
重要な科学的解釈を持つ物理特性を表すPDEに関連するいくつかの重要なパラメータは、直接的に測定することが困難または不可能である。
物理量のノイズおよびスパース実験データからこれらのパラメータを推定することは重要な課題である。
pdeパラメータ推定のための多くの手法は、特に非線形pdesの時間消費となる有限要素法のようなアルゴリズムによるpdeの数値解の多くの評価を含む。
本稿では PDE-Informed Gaussian Process Inference (PIGPI) と呼ばれる PDE における未知パラメータを推定する新しい手法を提案する。
PDE の解をガウス過程 (GP) としてモデル化することで、(線型) PDE 構造によって誘導される多様体の制約を導出し、その制約の下では、GP は PDE を満たす。
非線形PDEに対しては、非線形PDEをPIGPIが扱えるすべての微分において等価なPDEシステムに変換する拡張法を提案する。
PIGPIは、観測されていないコンポーネントを持つ多次元PDEシステムやPDEシステムに適用することができる。
この方法はPDEの数値解法を完全にバイパスし、計算時間、特に非線形PDEの大幅な節約を実現する。
さらに、PIGPI法は未知パラメータとPDE解の両方に対して不確実性定量化を与えることができる。
提案手法は様々な分野の応用例で実証されている。
関連論文リスト
- Data-Driven Discovery of PDEs via the Adjoint Method [4.511923587827301]
本稿では、与えられたデータに基づいて、基礎となる支配的偏微分方程式(PDE)を発見する方法を提案する。
特に、パラメータ化された非線形PDEの族に対して、対応する随伴方程式を導出する方法を示す。
随伴法の精度は、PDE-FINDとして知られる有名なPDE関数同定法に匹敵する。
論文 参考訳(メタデータ) (2024-01-30T17:10:42Z) - Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Lie Point Symmetry and Physics Informed Networks [59.56218517113066]
本稿では、損失関数を用いて、PINNモデルが基礎となるPDEを強制しようとするのと同じように、リー点対称性をネットワークに通知するロス関数を提案する。
我々の対称性の損失は、リー群の無限小生成元がPDE解を保存することを保証する。
実験により,PDEのリー点対称性による誘導バイアスはPINNの試料効率を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-11-07T19:07:16Z) - Weak-PDE-LEARN: A Weak Form Based Approach to Discovering PDEs From
Noisy, Limited Data [0.0]
Weak-PDE-LEARNは,非線形PDEを雑音から同定し,その解を限定的に測定する探索アルゴリズムである。
いくつかのベンチマークPDEを学習し,Weak-PDE-LEARNの有効性を示す。
論文 参考訳(メタデータ) (2023-09-09T06:45:15Z) - Neural Control of Parametric Solutions for High-dimensional Evolution
PDEs [6.649496716171139]
我々は進化偏微分方程式(PDE)の解演算子を近似する新しい計算フレームワークを開発する。
パラメータ空間における制御ベクトル場を学習することにより,PDEの解演算子を近似する。
これにより計算コストを大幅に削減し、任意の初期条件で進化PDEを解くことができる。
論文 参考訳(メタデータ) (2023-01-31T19:26:25Z) - 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) - Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。
PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。
神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文 参考訳(メタデータ) (2022-02-15T18:43:17Z) - Physics-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳(メタデータ) (2021-11-06T03:41:34Z) - Bayesian Numerical Methods for Nonlinear Partial Differential Equations [4.996064986640264]
非線形偏微分方程式(PDE)は、相対的な視点から大きな課題を呈する。
本稿では、線形PDEに関する初期の研究を、非線形PDEによって指定された初期値問題の一般クラスに拡張する。
PDEの解の適切な先行モデルが、Mat'ern過程のサンプル経路特性の新しい理論的解析を用いて同定される。
論文 参考訳(メタデータ) (2021-04-22T14:02:10Z) - Solving and Learning Nonlinear PDEs with Gaussian Processes [11.09729362243947]
非線形偏微分方程式を解くための単純で厳密で統一された枠組みを提案する。
提案手法は、コロケーションカーネル法を非線形PDEとIPに自然に一般化する。
IP では,PDE におけるパラメータの同定と解の数値近似を反復的に行う手法が提案されているが,アルゴリズムは両手法を同時に扱う。
論文 参考訳(メタデータ) (2021-03-24T03:16:08Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z)
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。