Fugu-MT 論文翻訳(概要): PINNs error estimates for nonlinear equations in $\mathbb{R}$-smooth Banach spaces

論文の概要: PINNs error estimates for nonlinear equations in $\mathbb{R}$-smooth Banach spaces

arxiv url: http://arxiv.org/abs/2305.11915v3
Date: Wed, 5 Jun 2024 18:58:25 GMT
ステータス: 処理完了
システム内更新日: 2024-06-08 01:09:36.912822
Title: PINNs error estimates for nonlinear equations in $\mathbb{R}$-smooth Banach spaces
Title（参考訳）: $\mathbb{R}$-smooth Banach空間における非線形方程式のPINN誤差推定
Authors: Jiexing Gao, Yurii Zakharian,
Abstract要約: PINNの誤差推定を許容するPDEの演算式クラスについて述べる。 Lp$空間に対して、PINNの残差境界のツールであるブランブル・ヒルベルト型補題を得る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the paper, we describe in operator form classes of PDEs that admit PINN's error estimation. Also, for $L^p$ spaces, we obtain a Bramble-Hilbert type lemma that is a tool for PINN's residuals bounding.
Abstract（参考訳）: 本稿では,PINNの誤差推定を許容するPDEの演算型クラスについて述べる。また、$L^p$空間に対して、PINNの残差境界のツールであるブランブル・ヒルベルト型補題を得る。

関連論文リスト

RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
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(PDE)の解法として広く応用されている。本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
論文参考訳（メタデータ） (2024-05-23T09:45:57Z)
Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文参考訳（メタデータ） (2024-04-29T15:04:07Z)
Lie Point Symmetry and Physics Informed Networks [59.56218517113066]
本稿では、損失関数を用いて、PINNモデルが基礎となるPDEを強制しようとするのと同じように、リー点対称性をネットワークに通知するロス関数を提案する。我々の対称性の損失は、リー群の無限小生成元がPDE解を保存することを保証する。実験により,PDEのリー点対称性による誘導バイアスはPINNの試料効率を大幅に向上させることが示された。
論文参考訳（メタデータ） (2023-11-07T19:07:16Z)
Neural Network Approximations of PDEs Beyond Linearity: A Representational Perspective [40.964402478629495]
非線形PDEの解を近似するためのニューラルネットワークの表現力について検討する。 Emphnonlinear elliptic variational PDEsとして知られるPDEのクラスを扱うことで、ニューラルネットワークは次元性の呪いを避けることができることを示す。
論文参考訳（メタデータ） (2022-10-21T16:53:18Z)
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)
A Law of Robustness beyond Isoperimetry [84.33752026418045]
我々は、任意の分布上でニューラルネットワークパラメータを補間する頑健性の低い$Omega(sqrtn/p)$を証明した。次に、$n=mathrmpoly(d)$のとき、スムーズなデータに対する過度なパラメータ化の利点を示す。我々は、$n=exp(omega(d))$ のとき、$O(1)$-Lipschitz の頑健な補間関数の存在を否定する。
論文参考訳（メタデータ） (2022-02-23T16:10:23Z)
Interpolating between BSDEs and PINNs -- deep learning for elliptic and parabolic boundary value problems [1.52292571922932]
高次元偏微分方程式は、経済学、科学、工学における繰り返しの挑戦である。本稿ではBSDEとPINNを補間する新しい$textitdiffusion loss$に基づく方法論を提案する。我々の貢献は、高次元PDEに対する数値的アプローチの統一的な理解への扉を開く。
論文参考訳（メタデータ） (2021-12-07T15:01:24Z)
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)
Error analysis for physics informed neural networks (PINNs) approximating Kolmogorov PDEs [0.0]
PINNによる大規模な放物型PDEの解の近似における誤差の厳密な境界を導出する。 PINN残差(一般化誤差)を所望の程度小さくできるニューラルネットワークを構築する。これらの結果から,Kolmogorov PDEの近似におけるPINNの総合的誤差解析が可能となった。
論文参考訳（メタデータ） (2021-06-28T08:37:56Z)
On the Representation of Solutions to Elliptic PDEs in Barron Spaces [9.875204185976777]
本稿では、バロン空間における$d$次元2階楕円型PDEの解の複雑性推定を導出する。複雑性推定の直接的な結果として、PDEの解は2層ニューラルネットワークによって任意の有界領域上で近似することができる。
論文参考訳（メタデータ） (2021-06-14T16:05:07Z)
Non-Convex SGD Learns Halfspaces with Adversarial Label Noise [50.659479930171585]
分布固有モデルにおいて,同種半空間の学習を代理する問題に対する解を示す。任意の凸分布において、誤分類誤差は本質的にハーフスペースの誤分類誤差につながることを示す。
論文参考訳（メタデータ） (2020-06-11T18:55:59Z)

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。