論文の概要: A Generalized Schwarz-type Non-overlapping Domain Decomposition Method
using Physics-constrained Neural Networks
- arxiv url: http://arxiv.org/abs/2307.12435v1
- Date: Sun, 23 Jul 2023 21:18:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 16:10:38.052368
- Title: A Generalized Schwarz-type Non-overlapping Domain Decomposition Method
using Physics-constrained Neural Networks
- Title(参考訳): 物理制約ニューラルネットワークを用いた一般化シュワルツ型非重複領域分解法
- Authors: Shamsulhaq Basir, Inanc Senocak
- Abstract要約: ニューラルネットワークに基づくメッシュレスシュワルツ型非重複領域分解を提案する。
この方法は、ラプラス方程式とヘルムホルツ方程式の両方に適用できる。
- 参考スコア(独自算出の注目度): 0.9137554315375919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a meshless Schwarz-type non-overlapping domain decomposition
method based on artificial neural networks for solving forward and inverse
problems involving partial differential equations (PDEs). To ensure the
consistency of solutions across neighboring subdomains, we adopt a generalized
Robin-type interface condition, assigning unique Robin parameters to each
subdomain. These subdomain-specific Robin parameters are learned to minimize
the mismatch on the Robin interface condition, facilitating efficient
information exchange during training. Our method is applicable to both the
Laplace's and Helmholtz equations. It represents local solutions by an
independent neural network model which is trained to minimize the loss on the
governing PDE while strictly enforcing boundary and interface conditions
through an augmented Lagrangian formalism. A key strength of our method lies in
its ability to learn a Robin parameter for each subdomain, thereby enhancing
information exchange with its neighboring subdomains. We observe that the
learned Robin parameters adapt to the local behavior of the solution, domain
partitioning and subdomain location relative to the overall domain. Extensive
experiments on forward and inverse problems, including one-way and two-way
decompositions with crosspoints, demonstrate the versatility and performance of
our proposed approach.
- Abstract(参考訳): ニューラルネットワークを用いたメッシュレスシュワルツ型非重複領域分解法を提案し、偏微分方程式(PDE)を含む前方および逆問題の解法を提案する。
近隣のサブドメイン間の解の整合性を確保するため、各サブドメインに独自のRobinパラメータを割り当てる一般化されたRobin型インタフェース条件を採用する。
これらのサブドメイン固有のRobinパラメータは、Robinインターフェース条件のミスマッチを最小限に抑え、トレーニング中の効率的な情報交換を容易にするために学習される。
この方法はラプラス方程式とヘルムホルツ方程式の両方に適用できる。
これは、ラグランジアン形式を拡張して境界条件とインターフェース条件を厳格に強制しながら、支配的PDEの損失を最小限に抑えるために訓練された独立したニューラルネットワークモデルによる局所解を表す。
提案手法の重要な強みは,各サブドメインのRobinパラメータを学習し,隣接するサブドメインとの情報交換を強化することである。
学習したRobinパラメータは、ソリューションの局所的挙動、ドメイン分割、およびドメイン全体に対するサブドメイン位置に適応する。
クロスポイントを用いた一方向および二方向の分解を含む前方および逆問題に関する広範な実験は,提案手法の汎用性と性能を示している。
関連論文リスト
- Multi-Grid Tensorized Fourier Neural Operator for High-Resolution PDEs [93.82811501035569]
本稿では,メモリ要求を低減し,より一般化したデータ効率・並列化可能な演算子学習手法を提案する。
MG-TFNOは、実世界の実世界の現象の局所的構造と大域的構造を活用することで、大規模な分解能にスケールする。
乱流ナビエ・ストークス方程式において150倍以上の圧縮で誤差の半分以下を達成できる優れた性能を示す。
論文 参考訳(メタデータ) (2023-09-29T20:18:52Z) - Operator Learning with Neural Fields: Tackling PDEs on General
Geometries [15.65577053925333]
偏微分方程式を解くための機械学習アプローチは、関数空間間の学習写像を必要とする。
新しいコーラル法は、いくつかの一般的な制約に基づいてPDEのための座標ベースのネットワークを利用する。
論文 参考訳(メタデータ) (2023-06-12T17:52:39Z) - 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) - A domain-decomposed VAE method for Bayesian inverse problems [0.0]
本稿では,これらの課題を同時に解決するために,ドメイン分割型変分自動エンコーダのマルコフ連鎖モンテカルロ(DD-VAE-MCMC)法を提案する。
提案手法はまず,局所的履歴データに基づく局所的決定論的生成モデルを構築し,効率的な局所的事前表現を提供する。
論文 参考訳(メタデータ) (2023-01-09T07:35:43Z) - Neural PDE Solvers for Irregular Domains [25.673617202478606]
不規則な形状の幾何学的境界を持つ領域上の偏微分方程式をニューラルネットワークで解く枠組みを提案する。
我々のネットワークは入力としてドメインの形をとり、新しい(目に見えない)不規則なドメインに一般化することができる。
論文 参考訳(メタデータ) (2022-11-07T00:00:30Z) - Adversarial Bi-Regressor Network for Domain Adaptive Regression [58.33005821092675]
ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。
本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
論文 参考訳(メタデータ) (2022-09-20T18:38:28Z) - 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) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
勾配勾配勾配を用いた2層ReLUネットワークについて検討する。
SGDは単純な解に偏りがあることが示される。
また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
論文 参考訳(メタデータ) (2021-11-03T15:14:20Z) - CENN: Conservative energy method based on neural network with subdomains
for solving heterogeneous problems involving complex geometries [6.782934398825898]
ニューラルネットワークを用いた保守的エネルギー手法(CENN)を提案する。
境界ペナルティのない必須境界条件を満たす許容関数は、放射基底関数、特に解ニューラルネットワーク、一般ニューラルネットワークによって構成される。
提案手法をいくつかの代表例に適用し, 強い不連続性, 特異性, 複素境界, 非線型および不均一なPDE問題をモデル化する能力を示す。
論文 参考訳(メタデータ) (2021-09-25T09:52:51Z) - Train Once and Use Forever: Solving Boundary Value Problems in Unseen
Domains with Pre-trained Deep Learning Models [0.20999222360659606]
本稿では,ニューラルネットワークを用いて境界値問題(BVP)を解くための伝達可能なフレームワークを提案する。
まず,任意の境界条件にまたがるbvpの解を推論できるニューラルネットワークであるgfnet(emphgenomic flow network)を提案する。
そこで我々は,GFNetの推論を組み立てたりステッチしたりする新しい反復アルゴリズムである emphmosaic flow (MF) 予測器を提案する。
論文 参考訳(メタデータ) (2021-04-22T05:20:27Z)
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。