Fugu-MT 論文翻訳(概要): Multi-Scale Message Passing Neural PDE Solvers

論文の概要: Multi-Scale Message Passing Neural PDE Solvers

arxiv url: http://arxiv.org/abs/2302.03580v1
Date: Tue, 7 Feb 2023 16:45:52 GMT
ステータス: 処理完了
システム内更新日: 2023-02-08 15:37:45.436969
Title: Multi-Scale Message Passing Neural PDE Solvers
Title（参考訳）: マルチスケールメッセージパッシングニューラルPDEソルバ
Authors: L\'eonard Equer, T. Konstantin Rusch, Siddhartha Mishra
Abstract要約: 時間依存型PDEの解を学習するための,新しいマルチスケールメッセージパッシングニューラルネットワークアルゴリズムを提案する。本アルゴリズムは,マルチスケールシーケンスモデルとグラフゲーティングモジュールをエンコーダとプロセッサに組み込むことにより,時間的および空間的マルチスケールの分解能を持つ。
参考スコア（独自算出の注目度）: 12.891210250935147
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel multi-scale message passing neural network algorithm for learning the solutions of time-dependent PDEs. Our algorithm possesses both temporal and spatial multi-scale resolution features by incorporating multi-scale sequence models and graph gating modules in the encoder and processor, respectively. Benchmark numerical experiments are presented to demonstrate that the proposed algorithm outperforms baselines, particularly on a PDE with a range of spatial and temporal scales.
Abstract（参考訳）: 時間依存型PDEの解を学習するための,新しいマルチスケールメッセージパッシングニューラルネットワークアルゴリズムを提案する。本アルゴリズムは,マルチスケールシーケンスモデルとグラフゲーティングモジュールをそれぞれエンコーダとプロセッサに組み込むことにより,時間的および空間的マルチスケール解像度特性を有する。ベンチマーク数値実験により,提案アルゴリズムは,特に空間スケールと時間スケールの異なるPDEにおいて,ベースラインよりも優れていることを示す。

関連論文リスト

SineNet: Learning Temporal Dynamics in Time-Dependent Partial Differential Equations [46.244771659503314]
本稿では、複数の連続接続されたU字型ネットワークブロックからなるSineNetを提案する。 SineNetでは、高解像度の機能は、複数のステージを通じて徐々に進化し、各ステージ内でのミスアライメントの量を減らす。提案手法は,Navier-Stokes方程式や浅水方程式など,複数のPDEデータセット上で厳密に検証されている。
論文参考訳（メタデータ） (2024-03-28T15:41:41Z)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Neural Stochastic Differential Equations with Change Points: A Generative Adversarial Approach [5.408169633844698]
本稿では,ニューラルSDEをモデルとした時系列変化点検出アルゴリズムを提案する。提案手法は、未知の変化点と、各変化点に対応する異なるニューラルネットワークSDEモデルのパラメータを共同で学習する。
論文参考訳（メタデータ） (2023-12-20T16:16:29Z)
Deep Learning-based surrogate models for parametrized PDEs: handling geometric variability through graph neural networks [0.0]
本研究では,時間依存型PDEシミュレーションにおけるグラフニューラルネットワーク(GNN)の可能性について検討する。本稿では,データ駆動型タイムステッピング方式に基づくサロゲートモデルを構築するための体系的戦略を提案する。 GNNは,計算効率と新たなシナリオへの一般化の観点から,従来の代理モデルに代わる有効な代替手段を提供することができることを示す。
論文参考訳（メタデータ） (2023-08-03T08:14:28Z)
Multilevel CNNs for Parametric PDEs [0.0]
偏微分方程式に対する多段階解法の概念とニューラルネットワークに基づくディープラーニングを組み合わせる。より詳細な理論的解析により,提案アーキテクチャは乗算Vサイクルを任意の精度で近似できることを示した。最先端のディープラーニングベースの解法よりも大幅に改善されている。
論文参考訳（メタデータ） (2023-04-01T21:11:05Z)
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)
MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文参考訳（メタデータ） (2022-10-11T14:52:20Z)
Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文参考訳（メタデータ） (2021-12-01T22:55:23Z)
Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文参考訳（メタデータ） (2021-01-05T03:55:04Z)
Hierarchical Deep Learning of Multiscale Differential Equation Time-Steppers [5.6385744392820465]
本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
論文参考訳（メタデータ） (2020-08-22T07:16:53Z)
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。