論文の概要: GAS: A Gaussian Mixture Distribution-Based Adaptive Sampling Method for
PINNs
- arxiv url: http://arxiv.org/abs/2303.15849v1
- Date: Tue, 28 Mar 2023 09:40:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 15:35:19.458699
- Title: GAS: A Gaussian Mixture Distribution-Based Adaptive Sampling Method for
PINNs
- Title(参考訳): ガス:ガウス混合分布に基づくピンの適応サンプリング法
- Authors: Yuling Jiao, Di Li, Xiliang Lu, Jerry Zhijian Yang, Cheng Yuan
- Abstract要約: PINNは高次元問題を効率的に処理できるが、精度は比較的低く、特に非常に不規則な問題に対してである。
本稿では,適応有限要素法と漸進学習のアイデアに触発されたPINNの適応サンプリング手法を提案する。
ガスは従来の数値解法と同等でありながら、ディープ・ソルバの最先端の精度を実現する有望な方法である。
- 参考スコア(独自算出の注目度): 6.011027400738812
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With recent study of the deep learning in scientific computation, the PINNs
method has drawn widespread attention for solving PDEs. Compared with
traditional methods, PINNs can efficiently handle high-dimensional problems,
while the accuracy is relatively low, especially for highly irregular problems.
Inspired by the idea of adaptive finite element methods and incremental
learning, we propose GAS, a Gaussian mixture distribution-based adaptive
sampling method for PINNs. During the training procedure, GAS uses the current
residual information to generate a Gaussian mixture distribution for the
sampling of additional points, which are then trained together with history
data to speed up the convergence of loss and achieve a higher accuracy. Several
numerical simulations on 2d to 10d problems show that GAS is a promising method
which achieves the state-of-the-art accuracy among deep solvers, while being
comparable with traditional numerical solvers.
- Abstract(参考訳): 科学計算における深層学習の最近の研究により、PINN法はPDEの解法に広く注目を集めている。
従来の方法と比較してピンは高次元の問題を効率的に処理できるが、特に不規則な問題の場合、精度は比較的低い。
適応有限要素法とインクリメンタル学習のアイデアに触発されて,ガウス混合分布に基づくピンの適応サンプリング法であるgasを提案する。
訓練中、ガスは電流残差情報を用いて追加点のサンプリングのためにガウス混合分布を生成し、履歴データと共に訓練し、損失の収束を高速化し、高い精度を達成する。
2次元から10次元の問題に関するいくつかの数値シミュレーションは、ガスが従来の数値解法に匹敵しながら、ディープソルバーの最先端精度を達成する有望な方法であることを示している。
関連論文リスト
- Sparse Variational Contaminated Noise Gaussian Process Regression for
Forecasting Geomagnetic Perturbations [4.953938711401618]
本研究では,スパース変分ガウス過程(SVGP)に基づく拡張性推論アルゴリズムを提案する。
提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文 参考訳(メタデータ) (2024-02-27T15:08:57Z) - DynGMA: a robust approach for learning stochastic differential equations
from data [16.37145148171519]
パラメータ化されたSDEの遷移密度に新しい近似を導入する。
本手法は, 完全に未知のドリフト拡散関数の学習において, ベースライン法と比較して精度が高い。
低時間解像度と可変、さらには制御不能な時間ステップサイズでデータを処理できる。
論文 参考訳(メタデータ) (2024-02-22T12:09:52Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳(メタデータ) (2023-11-02T02:05:38Z) - Neural Operator Variational Inference based on Regularized Stein
Discrepancy for Deep Gaussian Processes [23.87733307119697]
本稿では,深いガウス過程に対するニューラル演算子変分推論(NOVI)を提案する。
NOVIは、ニューラルジェネレータを使用してサンプリング装置を取得し、生成された分布と真の後部の間のL2空間における正規化スタインの離散性を最小化する。
提案手法が提案するバイアスは定数で発散を乗算することで制御可能であることを示す。
論文 参考訳(メタデータ) (2023-09-22T06:56:35Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - 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) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - Efficient training of physics-informed neural networks via importance
sampling [2.9005223064604078]
Physics-In Neural Networks(PINN)は、偏微分方程式(PDE)によって制御されるシステムを計算するために訓練されているディープニューラルネットワークのクラスである。
重要サンプリング手法により,PINN訓練の収束挙動が改善されることが示唆された。
論文 参考訳(メタデータ) (2021-04-26T02:45:10Z) - Learning Sampling Policy for Faster Derivative Free Optimization [100.27518340593284]
ランダムサンプリングではなく,ZO最適化における摂動を生成するためのサンプリングポリシを学習する,新たな強化学習ベースのZOアルゴリズムを提案する。
その結果,ZO-RLアルゴリズムはサンプリングポリシを学習することでZO勾配の分散を効果的に低減し,既存のZOアルゴリズムよりも高速に収束できることが示唆された。
論文 参考訳(メタデータ) (2021-04-09T14:50:59Z) - A hybrid MGA-MSGD ANN training approach for approximate solution of
linear elliptic PDEs [0.0]
MGA-MSGD(Modified Genetic-Multilevel Gradient Descent)トレーニングアルゴリズムを導入しました。
ANNによるPDEによって記述された3次元機械的問題の精度と効率を大幅に改善する。
論文 参考訳(メタデータ) (2020-12-18T10:59:07Z)
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。