論文の概要: Parameter Inference based on Gaussian Processes Informed by Nonlinear
Partial Differential Equations
- arxiv url: http://arxiv.org/abs/2212.11880v3
- Date: Thu, 1 Feb 2024 13:04:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 20:00:31.837459
- Title: Parameter Inference based on Gaussian Processes Informed by Nonlinear
Partial Differential Equations
- Title(参考訳): 非線形偏微分方程式によるガウス過程に基づくパラメータ推定
- 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。
PDEに関連するいくつかの重要なパラメータは、重要な科学的解釈を持つ特定の物理的性質を表すもので、直接的に測定することは困難または不可能である。
本稿では,PDE-Informed Gaussian Process (PIGP) を用いたパラメータ推定手法を提案する。
- 参考スコア(独自算出の注目度): 6.230751621285322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Partial differential equations (PDEs) are widely used for the description of
physical and engineering phenomena. Some key parameters involved in PDEs, which
represent certain physical properties with important scientific
interpretations, are difficult or even impossible to measure directly.
Estimating 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 for numerical solutions to PDE
through algorithms such as the finite element method, which can be
time-consuming, especially for nonlinear PDEs. In this paper, we propose a
novel method for the inference of unknown parameters in PDEs, called the
PDE-Informed Gaussian Process (PIGP) based parameter inference method. 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 transforms the nonlinear PDE into an equivalent PDE
system linear in all derivatives, which our PIGP-based method can handle. The
proposed method can be applied to a broad spectrum of nonlinear PDEs. The
PIGP-based method can be applied to multi-dimensional PDE systems and PDE
systems with unobserved components. Like conventional Bayesian approaches, the
method can provide uncertainty quantification for both the unknown parameters
and the PDE solution. The PIGP-based method also completely bypasses the
numerical solver for PDEs. The proposed method is demonstrated through 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。
pdesに関わるいくつかの重要なパラメータは、重要な科学的解釈を持つ特定の物理的性質を表すもので、直接測定することは困難または不可能である。
これらのパラメータをノイズおよびスパース実験データから推定することは重要な課題である。
PDEパラメータ推論のための多くの手法は、有限要素法のようなアルゴリズムによるPDEの数値解に対する多くの評価を含む。
本稿では,PDE-Informed Gaussian Process (PIGP) を用いたパラメータ推論手法を提案する。
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, 非線形 pde を全ての導関数に線形に等価な pde 系に変換する拡張法を提案する。
提案手法は非線形PDEの幅広いスペクトルに適用可能である。
PIGPに基づく手法は、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。
従来のベイズ的手法と同様に、未知のパラメータとPDE解の両方に対して不確実な定量化を与えることができる。
PIGPに基づく手法は、PDEの数値解法を完全にバイパスする。
提案手法は,様々な分野の応用例を用いて実証した。
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。