論文の概要: Provably Correct Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2305.10157v1
- Date: Wed, 17 May 2023 12:19:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 16:06:50.875481
- Title: Provably Correct Physics-Informed Neural Networks
- Title(参考訳): おそらく正しい物理インフォームドニューラルネットワーク
- Authors: Francisco Eiras, Adel Bibi, Rudy Bunel, Krishnamurthy Dj Dvijotham,
Philip Torr, M. Pawan Kumar
- Abstract要約: PINN残差をバインドする汎用的で効率的でスケーラブルなポストトレーニングフレームワークである$partial$-CROWNを紹介します。
従来の2つのPDEと、より困難な2つの実世界のアプリケーションに適用することで、厳密な証明書を得る上での有効性を実証する。
- 参考スコア(独自算出の注目度): 29.951452742131682
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent work provides promising evidence that Physics-informed neural networks
(PINN) can efficiently solve partial differential equations (PDE). However,
previous works have failed to provide guarantees on the worst-case residual
error of a PINN across the spatio-temporal domain - a measure akin to the
tolerance of numerical solvers - focusing instead on point-wise comparisons
between their solution and the ones obtained by a solver on a set of inputs. In
real-world applications, one cannot consider tests on a finite set of points to
be sufficient grounds for deployment, as the performance could be substantially
worse on a different set. To alleviate this issue, we establish tolerance-based
correctness conditions for PINNs over the entire input domain. To verify the
extent to which they hold, we introduce $\partial$-CROWN: a general, efficient
and scalable post-training framework to bound PINN residual errors. We
demonstrate its effectiveness in obtaining tight certificates by applying it to
two classically studied PDEs - Burgers' and Schr\"odinger's equations -, and
two more challenging ones with real-world applications - the Allan-Cahn and
Diffusion-Sorption equations.
- Abstract(参考訳): 最近の研究は、物理情報ニューラルネットワーク(PINN)が偏微分方程式(PDE)を効率的に解くことができるという有望な証拠を提供している。
しかし、従来の研究では、時空間領域におけるPINNの最悪の残差(数値解法の耐性に類似した尺度)を保証できなかった。
実世界のアプリケーションでは、異なるセットでパフォーマンスが著しく悪化する可能性があるため、有限個の点からなるテストが配置の十分な根拠であると考えることはできない。
この問題を軽減するため,我々は入力領域全体のピンに対する耐性に基づく正しさ条件を確立する。
彼らが持つ範囲を検証するために、$\partial$-crown:バウンドpinn残差エラーに対して、汎用的で効率的でスケーラブルなポストトレーニングフレームワークを紹介します。
本稿では,古典的に研究されている2つのPDE – Burgers' と Schr\odinger' の方程式 – と,Allan-Cahn と Diffusion-Sorption の2つの実世界の応用 – に応用することで,厳密な証明を得ることの有効性を示す。
関連論文リスト
- Robust Physics Informed Neural Networks [0.21756081703275998]
偏微分方程式 (PDE) を近似するために, 物理情報ニューラルネットワーク (RPINN) の頑健なバージョンを導入する。
我々は2つのラプラス問題と2つの空間次元における1つの対流拡散問題に対してRPINNアルゴリズムを検証した。
論文 参考訳(メタデータ) (2024-01-04T14:42:29Z) - 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) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳(メタデータ) (2022-06-01T18:48:01Z) - Competitive Physics Informed Networks [8.724433470897763]
PINNはニューラルネットワークとして表現することで偏微分方程式(PDE)を解く。
我々は、この制限を克服するために、競争的PINN(CPINN)と呼ばれる敵のアプローチを定式化し、検証する。
CPINNは差別者を訓練し、PINNの誤りを予測する。
数値実験により、競争勾配降下で訓練されたCPINNは、アダムや勾配降下で訓練されたPINNよりも2桁小さくできることが示された。
論文 参考訳(メタデータ) (2022-04-23T22:01:37Z) - Improved Training of Physics-Informed Neural Networks with Model
Ensembles [81.38804205212425]
我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。
すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。
提案手法は, 得られた解の精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-04-11T14:05:34Z) - 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) - CAN-PINN: A Fast Physics-Informed Neural Network Based on
Coupled-Automatic-Numerical Differentiation Method [17.04611875126544]
テイラー級数展開による隣り合う支持点と自動微分(AD)を結合する新しい物理情報ニューラルネットワーク(PINN)法を提案する。
can-PINNとラベル付けされた結合型自動数値微分フレームワークは、ADとNDの利点を統一し、ADベースのPINNよりも堅牢で効率的なトレーニングを提供する。
論文 参考訳(メタデータ) (2021-10-29T14:52:46Z) - Robust Learning of Physics Informed Neural Networks [2.86989372262348]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。
本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
論文 参考訳(メタデータ) (2021-10-26T00:10:57Z) - Multi-Objective Loss Balancing for Physics-Informed Deep Learning [0.0]
PINNを効果的に訓練するために、複数の競合損失関数の組み合わせを正しく重み付けする役割を観察する。
本稿では,ReLoBRaLoと呼ばれるPINNの自己適応的損失分散を提案する。
シミュレーションにより、ReLoBRaLoトレーニングは、他のバランシング手法によるPINNのトレーニングよりもはるかに高速で精度の高いことが示されている。
論文 参考訳(メタデータ) (2021-10-19T09:00:12Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z)
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。