論文の概要: KoopmanLab: A PyTorch module of Koopman neural operator family for
solving partial differential equations
- arxiv url: http://arxiv.org/abs/2301.01104v1
- Date: Tue, 3 Jan 2023 13:58:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 15:31:44.076076
- Title: KoopmanLab: A PyTorch module of Koopman neural operator family for
solving partial differential equations
- Title(参考訳): KoopmanLab:偏微分方程式を解くためのKoopman Neural operator familyのPyTorchモジュール
- Authors: Wei Xiong, Muyuan Ma, Pei Sun, Yang Tian
- Abstract要約: 偏微分方程式を解くために、クープマン神経オペレーターファミリーの自己完結型およびユーザフレンドリーなPyTorchモジュールであるクープマンLabを提案する。
我々は、モジュールの汎用性を改善するために、異なるニューラルネットワークアーキテクチャに基づいて、KNOの複数の新しい変種を開発する。
これらの変種は、代表PDEに実装されたメッシュ非依存および長期予測実験によって検証される。
- 参考スコア(独自算出の注目度): 8.226091960522512
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given the increasingly intricate forms of partial differential equations
(PDEs) in physics and related fields, computationally solving PDEs without
analytic solutions inevitably suffers from the trade-off between accuracy and
efficiency. Recent advances in neural operators, a kind of mesh-independent
neural-network-based PDE solvers, have suggested the dawn of overcoming this
challenge. In this emerging direction, Koopman neural operator (KNO) is a
representative demonstration and outperforms other state-of-the-art
alternatives in terms of accuracy and efficiency. Here we present KoopmanLab, a
self-contained and user-friendly PyTorch module of the Koopman neural operator
family for solving partial differential equations. Beyond the original version
of KNO, we develop multiple new variants of KNO based on different neural
network architectures to improve the general applicability of our module. These
variants are validated by mesh-independent and long-term prediction experiments
implemented on representative PDEs (e.g., the Navier-Stokes equation and the
Bateman-Burgers equation) and ERA5 (i.e., one of the largest high-resolution
data sets of global-scale climate fields). These demonstrations suggest the
potential of KoopmanLab to be considered in diverse applications of partial
differential equations.
- Abstract(参考訳): 物理学や関連分野における偏微分方程式(PDE)の複雑さが増すにつれて、解析解を持たないPDEを計算的に解くことは、必然的に精度と効率のトレードオフに悩まされる。
メッシュに依存しないニューラルネットワークベースのPDEソルバであるニューラル演算子の最近の進歩は、この課題を克服する夜明けを示唆している。
この新たな方向において、クープマンニューラルオペレータ(KNO)は代表的なデモンストレーションであり、精度と効率の点で他の最先端の代替よりも優れている。
本稿では、偏微分方程式を解くために、koopman neural operator family の自己完結かつユーザフレンドリーなpytorchモジュールであるkoopmanlabを提案する。
KNOのオリジナルバージョン以外にも、さまざまなニューラルネットワークアーキテクチャに基づいて、モジュールの汎用性を改善するために、KNOの複数の新しいバリエーションを開発しています。
これらの変種は、代表的PDE(例えば、Navier-Stokes方程式とBateman-Burgers方程式)とERA5(すなわち、世界規模の気候分野における最大の高解像度データセットの1つ)に実装されたメッシュ非依存および長期予測実験によって検証される。
これらの実証は、KoopmanLabが偏微分方程式の様々な応用において考慮される可能性を示している。
関連論文リスト
- 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) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - 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) - Solving Coupled Differential Equation Groups Using PINO-CDE [42.363646159367946]
PINO-CDEは結合微分方程式群(CDE)を解くためのディープラーニングフレームワークである
物理インフォームド・ニューラル演算子(PINO)の理論に基づいて、PINO-CDEはCDEの全ての量に対して単一のネットワークを使用する。
このフレームワークは、エンジニアリングダイナミクスとディープラーニング技術を統合し、CDEの解決と不確実性伝播のための新しい概念を明らかにする可能性がある。
論文 参考訳(メタデータ) (2022-10-01T08:39:24Z) - Multi-scale Physical Representations for Approximating PDE Solutions
with Graph Neural Operators [14.466945570499183]
EmphMessage Passing Graph Neural Networks (MPGNN) を近似した積分カーネル演算子を用いた3つのマルチレゾリューションスキーマについて検討する。
本研究では, 定常かつ非定常なPDEを考慮したMPGNN実験を行った。
論文 参考訳(メタデータ) (2022-06-29T14:42:03Z) - 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) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - NeuralPDE: Modelling Dynamical Systems from Data [0.44259821861543996]
本稿では、畳み込みニューラルネットワーク(CNN)と微分可能なODEソルバを組み合わせて動的システムをモデル化するモデルであるNeuralPDEを提案する。
標準PDEソルバで使用されるラインの手法は、CNNが任意のPDEダイナミクスをパラメトリズする自然な選択となる畳み込みを用いて表現できることを示す。
我々のモデルは、PDEの管理に関する事前の知識を必要とせずに、あらゆるデータに適用することができる。
論文 参考訳(メタデータ) (2021-11-15T10:59:52Z) - 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) - Neural-PDE: A RNN based neural network for solving time dependent PDEs [6.560798708375526]
偏微分方程式 (Partial differential equation, PDE) は、科学や工学における多くの問題を研究する上で重要な役割を果たしている。
本稿では,時間依存型PDEシステムのルールを自動的に学習する,Neural-PDEと呼ばれるシーケンス深層学習フレームワークを提案する。
我々の実験では、ニューラルPDEは20時間以内のトレーニングで効率よく力学を抽出し、正確な予測を行うことができる。
論文 参考訳(メタデータ) (2020-09-08T15:46:00Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳(メタデータ) (2020-09-08T13:26:51Z)
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。