論文の概要: MC-Nonlocal-PINNs: handling nonlocal operators in PINNs via Monte Carlo
sampling
- arxiv url: http://arxiv.org/abs/2212.12984v1
- Date: Mon, 26 Dec 2022 01:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 15:43:37.862734
- Title: MC-Nonlocal-PINNs: handling nonlocal operators in PINNs via Monte Carlo
sampling
- Title(参考訳): MC-非局所PINN:モンテカルロサンプリングによるPINNにおける非局所演算子処理
- Authors: Xiaodong Feng and Yue Qian and Wanfang Shen
- Abstract要約: 我々はモンテカルロ非局所物理インフォームドニューラルネットワーク(MC-Nonlocal-PINN)を提案する。
MC-非局所PINNはモンテカルロ方式で非局所作用素を扱い、高次元問題に対して非常に安定なアプローチをもたらす。
我々は高次元ボルテラ型積分方程式、超特異積分方程式、非局所PDEを含む様々な試験問題を提示する。
- 参考スコア(独自算出の注目度): 3.97478982737167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose, Monte Carlo Nonlocal physics-informed neural networks
(MC-Nonlocal-PINNs), which is a generalization of MC-fPINNs in
\cite{guo2022monte}, for solving general nonlocal models such as integral
equations and nonlocal PDEs. Similar as in MC-fPINNs, our MC-Nonlocal-PINNs
handle the nonlocal operators in a Monte Carlo way, resulting in a very stable
approach for high dimensional problems. We present a variety of test problems,
including high dimensional Volterra type integral equations, hypersingular
integral equations and nonlocal PDEs, to demonstrate the effectiveness of our
approach.
- Abstract(参考訳): 積分方程式や非局所PDEなどの一般非局所モデルの解法として,モンテカルロ非局所物理学インフォームドニューラルネットワーク(MC-Nonlocal-PINN)を提案する。
MC-fPINNと同様、MC-Nonlocal-PINNはモンテカルロ方式で非局所作用素を処理し、高次元問題に対する非常に安定したアプローチをもたらす。
我々は,高次元ボルテラ型積分方程式,超特異積分方程式,非局所PDEなど,多種多様なテスト問題を提示し,本手法の有効性を実証する。
関連論文リスト
- Operator Learning Enhanced Physics-informed Neural Networks for Solving
Partial Differential Equations Characterized by Sharp Solutions [10.999971808508437]
そこで我々は,OL-PINN(Operator Learning Enhanced Physics-informed Neural Networks)と呼ばれる新しいフレームワークを提案する。
提案手法は, 強い一般化能力を実現するために, 少数の残差点しか必要としない。
精度を大幅に向上すると同時に、堅牢なトレーニングプロセスも保証する。
論文 参考訳(メタデータ) (2023-10-30T14:47:55Z) - Adversarial Training for Physics-Informed Neural Networks [4.446564162927513]
本稿では,AT-PINN と呼ばれる PINN に対する敵的訓練戦略を提案する。
AT-PINNは、逆サンプルを用いてモデルを微調整することにより、PINNの堅牢性を高める。
我々は,マルチスケール係数の楕円型方程式,マルチピーク解のポアソン方程式,鋭解のバーガース方程式,アレン・カーンの方程式にAT-PINNを実装した。
論文 参考訳(メタデータ) (2023-10-18T08:28:43Z) - 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) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - 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) - Inverse modeling of nonisothermal multiphase poromechanics using
physics-informed neural networks [0.0]
物理インフォームドニューラルネットワーク(PINN)を用いた熱-水-機械プロセスにおけるパラメータ同定のための解法を提案する。
我々は、逆問題に特に適したTHM支配方程式の次元のない形式を採用し、先行研究で開発したシーケンシャル多物理PINNソルバを利用する。
提案した逐次PINN-THM逆解器の優れた性能を報告し、複素非線形多物理問題の逆モデリングにPINNを適用する方法について述べる。
論文 参考訳(メタデータ) (2022-09-07T16:28:12Z) - Monte Carlo PINNs: deep learning approach for forward and inverse
problems involving high dimensional fractional partial differential equations [8.378422134042722]
我々は、サンプリングに基づく機械学習アプローチ、モンテカルロ物理情報ニューラルネットワーク(MC-PINN)を導入し、前方および逆分数偏微分方程式(FPDE)を解く。
物理情報ニューラルネットワーク(PINN)の一般化として,提案手法は,出力の分数微分を計算するための近似戦略に加えて,ディープニューラルネットワークサロゲートに依存する。
我々は,高次元積分分数ラプラシア方程式,時間空間分数PDEのパラメトリック同定,ランダムな入力を伴う分数拡散方程式などの例を用いて,MC-PINNの性能を検証する。
論文 参考訳(メタデータ) (2022-03-16T09:52:05Z) - 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) - 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) - A Kernel-Based Approach to Non-Stationary Reinforcement Learning in
Metric Spaces [53.47210316424326]
KeRNSは、非定常マルコフ決定過程におけるエピソード強化学習のためのアルゴリズムである。
我々は、状態-作用空間の被覆次元と時間とともにMDPの総変動にスケールする後悔境界を証明した。
論文 参考訳(メタデータ) (2020-07-09T21:37:13Z)
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。