論文の概要: Solving higher-order Lane-Emden-Fowler type equations using
physics-informed neural networks: benchmark tests comparing soft and hard
constraints
- arxiv url: http://arxiv.org/abs/2307.07302v1
- Date: Fri, 14 Jul 2023 12:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 14:00:24.084401
- Title: Solving higher-order Lane-Emden-Fowler type equations using
physics-informed neural networks: benchmark tests comparing soft and hard
constraints
- Title(参考訳): 物理に変形したニューラルネットワークを用いた高次レーン・エムデン・フローラー型方程式の解法:ソフト制約とハード制約の比較ベンチマークテスト
- Authors: Hubert Baty
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は高次常微分方程式(ODE)を解くために提案される。
このディープラーニング技術は、特異ODEの異なるクラスを解くのに成功している。
- 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 this paper, numerical methods using Physics-Informed Neural Networks
(PINNs) are presented with the aim to solve higher-order ordinary differential
equations (ODEs). Indeed, this deep-learning technique is successfully applied
for solving different classes of singular ODEs, namely the well known
second-order Lane-Emden equations, third order-order Emden-Fowler equations,
and fourth-order Lane-Emden-Fowler equations. Two variants of PINNs technique
are considered and compared. First, a minimization procedure is used to
constrain the total loss function of the neural network, in which the equation
residual is considered with some weight to form a physics-based loss and added
to the training data loss that contains the initial/boundary conditions.
Second, a specific choice of trial solutions ensuring these conditions as hard
constraints is done in order to satisfy the differential equation, contrary to
the first variant based on training data where the constraints appear as soft
ones. Advantages and drawbacks of PINNs variants are highlighted.
- Abstract(参考訳): 本稿では,高次常微分方程式(ODE)の解法として物理情報ニューラルネットワーク(PINN)を用いた数値計算法を提案する。
実際、このディープラーニング技術は、よく知られた二階レーン・エムデン方程式、三階エムデン・フォーラー方程式、四階レーン・エムデン・フォーラー方程式といった、特異なodeの異なるクラスを解くのにうまく応用できる。
2種類のPINN技術が検討・比較されている。
まず、方程式の残差をある程度の重みで考慮し、物理ベースの損失を形成し、初期/境界条件を含むトレーニングデータ損失に追加するニューラルネットワークの損失関数の最小化手順を用いる。
第二に、これらの条件を厳密な制約として保証する試行的な解の特定の選択は、その制約が柔らかく見える訓練データに基づく最初の変種とは対照的に、微分方程式を満たすために行われる。
PINNの利点と欠点が強調されている。
関連論文リスト
- Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
PINNは2+1次元非線形偏微分方程式の渦解の研究に用いられる。
保存法則(cPINN)、初期プロファイルの変形、および識別の解像度を改善するための摩擦アプローチを考察する。
論文 参考訳(メタデータ) (2024-10-23T08:29:13Z) - Improving PINNs By Algebraic Inclusion of Boundary and Initial Conditions [0.1874930567916036]
AI for Science」は、AI技術を用いた基本的な科学的問題を解決することを目的としている。
本研究では、トレーニング対象のモデルを単にニューラルネットワークから非線形変換に変更する可能性について検討する。
これにより、損失関数の項数は標準のPINN損失よりも減少する。
論文 参考訳(メタデータ) (2024-07-30T11:19:48Z) - Augmented neural forms with parametric boundary-matching operators for solving ordinary differential equations [0.0]
本稿では,最適化可能な境界マッチングを持つ適切なニューラルフォームを体系的に構築するフォーマリズムを提案する。
ニューマン条件やロビン条件の問題をパラメトリックディリクレ条件の等価問題に変換する新しい手法を記述する。
提案手法は,一階および二階の常微分方程式と一階のシステムを含む多種多様な問題に対して実験を行った。
論文 参考訳(メタデータ) (2024-04-30T11:10:34Z) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳(メタデータ) (2023-04-28T17:28:18Z) - Solving differential equations using physics informed deep learning: a
hand-on tutorial with benchmark tests [0.0]
ディープラーニングとニューラルネットワークによる微分方程式の解法について再検討する。
トレーニングプロセスに最小限のデータを使用する可能性に焦点を当てます。
単純な方程式モデルに関するチュートリアルは、通常の微分方程式の方法の実践方法を説明している。
論文 参考訳(メタデータ) (2023-02-23T16:08:39Z) - 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) - DEQGAN: Learning the Loss Function for PINNs with Generative Adversarial
Networks [1.0499611180329804]
本研究は、生成逆数ネットワークを用いた微分方程式の解法である微分方程式GAN(DEQGAN)を提案する。
DeQGAN は PINN よりも 平均二乗誤差が桁違いに小さくなることを示す。
また、DECGANは、一般的な数値法と競合する解の精度を達成できることを示す。
論文 参考訳(メタデータ) (2022-09-15T06:39:47Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - 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) - 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) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳(メタデータ) (2021-09-02T16:06:45Z)
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。