論文の概要: KoopmanLab: machine learning for solving complex physics equations
- arxiv url: http://arxiv.org/abs/2301.01104v3
- Date: Sun, 19 Mar 2023 13:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 00:52:26.078872
- Title: KoopmanLab: machine learning for solving complex physics equations
- Title(参考訳): KoopmanLab: 複雑な物理方程式を解く機械学習
- Authors: Wei Xiong, Muyuan Ma, Xiaomeng Huang, Ziyang Zhang, Pei Sun, Yang Tian
- Abstract要約: 解析解や閉形式を使わずにPDEを学習するための、クープマンニューラルオペレータファミリーの効率的なモジュールであるクープマンLabを提案する。
我々のモジュールは、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ソルバの一種であるクープマンニューラル演算子(KNO)の複数の変種から構成されている。
KNO のコンパクトな変種はモデルサイズが小さい PDE を正確に解くことができるが、KNO の大きな変種は高度に複雑な力学系を予測する上でより競争力がある。
- 参考スコア(独自算出の注目度): 7.815723299913228
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerous physics theories are rooted in partial differential equations
(PDEs). However, the increasingly intricate physics equations, especially those
that lack analytic solutions or closed forms, have impeded the further
development of physics. Computationally solving PDEs by classic numerical
approaches suffers from the trade-off between accuracy and efficiency and is
not applicable to the empirical data generated by unknown latent PDEs. To
overcome this challenge, we present KoopmanLab, an efficient module of the
Koopman neural operator family, for learning PDEs without analytic solutions or
closed forms. Our module consists of multiple variants of the Koopman neural
operator (KNO), a kind of mesh-independent neural-network-based PDE solvers
developed following dynamic system theory. The compact variants of KNO can
accurately solve PDEs with small model sizes while the large variants of KNO
are more competitive in predicting highly complicated dynamic systems govern by
unknown, high-dimensional, and non-linear PDEs. All 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 in fluid mechanics) and ERA5 (i.e., one of the largest high-resolution
global-scale climate data sets in earth physics). These demonstrations suggest
the potential of KoopmanLab to be a fundamental tool in diverse physics studies
related to equations or dynamic systems.
- Abstract(参考訳): 多くの物理学理論は偏微分方程式(PDE)に根ざしている。
しかし、より複雑な物理学方程式、特に解析解や閉形式を持たない方程式は、物理学のさらなる発展を妨げる。
古典的数値的アプローチによるPDEの計算的解法は、精度と効率のトレードオフに悩まされており、未知の潜伏PDEが生成する経験的データには適用できない。
この課題を克服するために、分析解や閉形式を使わずにPDEを学習するための、Koopman Neural operator familyの効率的なモジュールであるKoopmanLabを提案する。
我々のモジュールは、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ソルバの一種であるクープマンニューラル演算子(KNO)の複数の変種から構成される。
knoのコンパクトな変種は、小さなモデルサイズで正確にpdesを解くことができ、knoの大きな変種は、未知、高次元、非線形のpdesによって制御される非常に複雑な動的システムの予測においてより競争力がある。
全ての変種は、代表的PDE(例えば、流体力学におけるナビエ・ストークス方程式とベイトマン・バーガース方程式)とERA5(地球物理学における最大の高解像度の地球規模の気候データセットの1つである)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、コープマンラブが方程式や力学系に関連する多様な物理学研究の基本的な道具となる可能性を示唆している。
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。