論文の概要: Koopman neural operator as a mesh-free solver of non-linear partial
differential equations
- arxiv url: http://arxiv.org/abs/2301.10022v1
- Date: Tue, 24 Jan 2023 14:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 13:36:23.047075
- Title: Koopman neural operator as a mesh-free solver of non-linear partial
differential equations
- Title(参考訳): 非線形偏微分方程式のメッシュフリー解法としてのクープマン神経演算子
- Authors: Wei Xiong, Xiaomeng Huang, Ziyang Zhang, Ruixuan Deng, Pei Sun, Yang
Tian
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.815723299913228
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The lacking of analytic solutions of diverse partial differential equations
(PDEs) gives birth to series of computational techniques for numerical
solutions. In machine learning, numerous latest advances of solver designs are
accomplished in developing neural operators, a kind of mesh-free approximators
of the infinite-dimensional operators that map between different
parameterization spaces of equation solutions. Although neural operators
exhibit generalization capacities for learning an entire PDE family
simultaneously, they become less accurate and explainable while learning
long-term behaviours of non-linear PDE families. In this paper, we propose
Koopman neural operator (KNO), a new neural operator, to overcome these
challenges. With the same objective of learning an infinite-dimensional mapping
between Banach spaces that serves as the solution operator of target PDE
family, our approach differs from existing models by formulating a non-linear
dynamic system of equation solution. By approximating the Koopman operator, an
infinite-dimensional linear operator governing all possible observations of the
dynamic system, to act on the flow mapping of dynamic system, we can
equivalently learn the solution of an entire non-linear PDE family by solving
simple linear prediction problems. In zero-shot prediction and long-term
prediction experiments on representative PDEs (e.g., the Navier-Stokes
equation), KNO exhibits notable advantages in breaking the tradeoff between
accuracy and efficiency (e.g., model size) while previous state-of-the-art
models are limited. These results suggest that more efficient PDE solvers can
be developed by the joint efforts from physics and machine learning.
- Abstract(参考訳): 多様な偏微分方程式 (PDE) の解析解の欠如は、数値解の一連の計算技術を生み出している。
機械学習では、方程式解の異なるパラメータ化空間間をマッピングする無限次元作用素のメッシュフリー近似器の一種であるニューラル演算子の開発において、多くの最新の解法設計が達成されている。
神経オペレーターは、PDEファミリー全体を同時に学習する一般化能力を示すが、非線形PDEファミリーの長期的な振る舞いを学習しながら、正確で説明しやすいものとなる。
本稿では,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koopman neural operator (kno)を提案する。
対象 pde 族の解作用素として働くバナッハ空間間の無限次元写像を学習するという同じ目的のために、方程式解の非線形力学系を定式化することで既存のモデルとは異なるアプローチをとる。
力学系のすべての観測を無限次元の線形作用素であるクープマン作用素を近似して力学系のフローマッピングに作用させることにより、単純な線形予測問題を解くことで、非線形PDEファミリー全体の解を等価に学習することができる。
ゼロショット予測や代表的なpsd(例えば、navier-stokes方程式)の長期予測実験では、knoは精度と効率(例えばモデルサイズ)のトレードオフを破る点で顕著な利点を示し、以前の最先端モデルには限界がある。
これらの結果から,より効率的なpdeソルバは物理と機械学習の共同開発により開発できることが示唆された。
関連論文リスト
- KoopmanLab: A PyTorch module of Koopman neural operator family for
solving partial differential equations [8.226091960522512]
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。
論文 参考訳(メタデータ) (2023-01-03T13:58:39Z) - DOSnet as a Non-Black-Box PDE Solver: When Deep Learning Meets Operator
Splitting [12.655884541938656]
我々はDeep Operator-Splitting Network (DOSnet) と名付けた学習型PDEソルバを開発した。
DOSnetは物理規則から構築され、基礎となるダイナミクスを管理する演算子は学習可能なパラメータを含む。
我々は、演算子分解可能な微分方程式のいくつかのタイプでそれを訓練し、検証する。
論文 参考訳(メタデータ) (2022-12-11T18:23:56Z) - 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線形偏微分方程式(PDE)制約を強制する実用的な方法を提案する。
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) - 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) - Physics-constrained Unsupervised Learning of Partial Differential
Equations using Meshes [1.066048003460524]
グラフニューラルネットワークは、不規則にメッシュ化されたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。
本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いてそれらを処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。
本フレームワークは, ソフトボディ変形のモデルベース制御など, PDEソルバをインタラクティブな設定に適用する。
論文 参考訳(メタデータ) (2022-03-30T19:22:56Z) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳(メタデータ) (2022-02-18T18:07:54Z) - Message Passing Neural PDE Solvers [60.77761603258397]
偏微分方程式(PDE)の数値解は困難であり、これまでの1世紀にわたる研究に繋がった。
近年、ニューラルネットワークと数値のハイブリッド・ソルバの構築が推進されており、これは現代のエンドツーエンドの学習システムへのトレンドを後押ししている。
この研究では、すべてのコンポーネントがニューラルメッセージパッシングに基づいて、これらの特性を満たす解決器を構築します。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳(メタデータ) (2020-10-18T00:34:21Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。