論文の概要: Physics-Informed Gaussian Process Regression Generalizes Linear PDE
Solvers
- arxiv url: http://arxiv.org/abs/2212.12474v1
- Date: Fri, 23 Dec 2022 17:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 16:36:52.315059
- Title: Physics-Informed Gaussian Process Regression Generalizes Linear PDE
Solvers
- Title(参考訳): 物理インフォームドガウス過程回帰は線形PDE解を一般化する
- Authors: Marvin Pf\"ortner and Ingo Steinwart and Philipp Hennig and Jonathan
Wenger
- Abstract要約: 線形偏微分方程式(英: Linear partial differential equations, PDEs)は、力学モデルの重要で広く応用されたクラスである。
実際には、離散化に基づく特殊数値法を用いてPDEを解く。
パラメータや測定の不確実性を無視することで、古典的なPDE解法は固有の近似誤差の一貫した推定を導出できない可能性がある。
- 参考スコア(独自算出の注目度): 26.234236986804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Linear partial differential equations (PDEs) are an important, widely applied
class of mechanistic models, describing physical processes such as heat
transfer, electromagnetism, and wave propagation. In practice, specialized
numerical methods based on discretization are used to solve PDEs. They
generally use an estimate of the unknown model parameters and, if available,
physical measurements for initialization. Such solvers are often embedded into
larger scientific models or analyses with a downstream application such that
error quantification plays a key role. However, by entirely ignoring parameter
and measurement uncertainty, classical PDE solvers may fail to produce
consistent estimates of their inherent approximation error. In this work, we
approach this problem in a principled fashion by interpreting solving linear
PDEs as physics-informed Gaussian process (GP) regression. Our framework is
based on a key generalization of a widely-applied theorem for conditioning GPs
on a finite number of direct observations to observations made via an arbitrary
bounded linear operator. Crucially, this probabilistic viewpoint allows to (1)
quantify the inherent discretization error; (2) propagate uncertainty about the
model parameters to the solution; and (3) condition on noisy measurements.
Demonstrating the strength of this formulation, we prove that it strictly
generalizes methods of weighted residuals, a central class of PDE solvers
including collocation, finite volume, pseudospectral, and (generalized)
Galerkin methods such as finite element and spectral methods. This class can
thus be directly equipped with a structured error estimate and the capability
to incorporate uncertain model parameters and observations. In summary, our
results enable the seamless integration of mechanistic models as modular
building blocks into probabilistic models.
- Abstract(参考訳): 線形偏微分方程式(英: Linear partial differential equation, PDEs)は、熱伝達、電磁気、波動伝播などの物理過程を記述する重要な力学モデルのクラスである。
実際には、離散化に基づく特殊数値法を用いてPDEを解く。
一般に、未知のモデルパラメータの見積もりと、可能であれば初期化の物理的測定を用いる。
このような解法は、しばしばより大きな科学的モデルや下流のアプリケーションによる分析に埋め込まれ、誤りの定量化が重要な役割を果たす。
しかし、パラメータや測定の不確実性を完全に無視することで、古典的pdeソルバは固有近似誤差の一貫した推定を導出できない可能性がある。
本研究では、線形PDEを物理インフォームドガウス過程(GP)回帰として解釈することで、この問題を原理的にアプローチする。
我々の枠組みは、任意の有界線型作用素による観測に対する有限個の直接観測をgpsに条件付けるための広く適用された定理の鍵一般化に基づいている。
この確率論的視点は、(1)固有の離散化誤差の定量化、(2)モデルパラメータの不確かさを解に伝播させ、(3)ノイズ測定の条件を与える。
この定式化の強さを実証し、重み付け残差法、コロケーション、有限体積、擬スペクトル、および有限要素法やスペクトル法のような(一般化)ガレルキン法を含むPDEソルバの中心クラスを厳密に一般化することを証明する。
したがって、このクラスは構造化されたエラー推定と不確定なモデルパラメータと観測を組み込む能力を直接備えることができる。
まとめると、この結果により、モジュラービルディングブロックとしての機械モデルと確率モデルとのシームレスな統合が可能となる。
関連論文リスト
- A Physics-driven GraphSAGE Method for Physical Process Simulations
Described by Partial Differential Equations [2.1217718037013635]
物理駆動型グラフSAGE法は不規則なPDEによって支配される問題を解くために提案される。
距離関連エッジ機能と特徴マッピング戦略は、トレーニングと収束を支援するために考案された。
ガウス特異性ランダム場源によりパラメータ化された熱伝導問題に対するロバストPDEサロゲートモデルの構築に成功した。
論文 参考訳(メタデータ) (2024-03-13T14:25:15Z) - Causal Modeling with Stationary Diffusions [58.4405484308163]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic
Representation [62.017505017414564]
教師なしの方法でニューラルソルバを訓練することが不可欠である。
既存の手法は妥当な精度を達成し、重要な計算課題と不正確なシミュレーションをもたらす。
PDEの確率的表現を用いて教師なしニューラルソルバを訓練するためのモンテカルロPDEソルバを提案する。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Physics-informed Information Field Theory for Modeling Physical Systems
with Uncertainty Quantification [0.0]
情報場理論(IFT)は、必ずしもガウス的ではない分野の統計を行うために必要なツールを提供する。
IFT を物理インフォームド IFT (PIFT) に拡張し,フィールドを記述する物理法則に関する情報を符号化する。
このPIFTから派生した後部は任意の数値スキームとは独立であり、複数のモードをキャプチャすることができる。
本手法は,物理が信頼できないことを正確に認識し,その場合,フィールドの学習を回帰問題として自動的に処理する。
論文 参考訳(メタデータ) (2023-01-18T15:40:19Z) - Fully probabilistic deep models for forward and inverse problems in
parametric PDEs [1.9599274203282304]
本稿では,PDEのパラメータ・ツー・ソリューション(前方)と解・ツー・パラメータ(逆)マップを同時に学習する物理駆動型ディープ潜在変数モデル(PDDLVM)を提案する。
提案フレームワークは、観測データをシームレスに統合し、逆問題を解決するとともに、生成モデルを構築するために容易に拡張できる。
有限要素離散パラメトリックPDE問題に対して,本手法の有効性とロバスト性を示す。
論文 参考訳(メタデータ) (2022-08-09T15:40:53Z) - Global Convergence of Over-parameterized Deep Equilibrium Models [52.65330015267245]
ディープ均衡モデル(Deep equilibrium model, DEQ)は、入射を伴う無限深度重み付きモデルの平衡点を通して暗黙的に定義される。
無限の計算の代わりに、ルートフィンディングで直接平衡点を解き、暗黙の微分で勾配を計算する。
本稿では,無限深度重み付きモデルの非漸近解析における技術的困難を克服する新しい確率的枠組みを提案する。
論文 参考訳(メタデータ) (2022-05-27T08:00:13Z) - 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) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳(メタデータ) (2020-03-05T14:33:20Z)
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。
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。