論文の概要: Finite Element Operator Network for Solving Parametric PDEs
- arxiv url: http://arxiv.org/abs/2308.04690v2
- Date: Tue, 19 Dec 2023 13:41:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 23:35:00.678564
- Title: Finite Element Operator Network for Solving Parametric PDEs
- Title(参考訳): パラメトリックPDEを解く有限要素演算子ネットワーク
- Authors: Jae Yong Lee, Seungchan Ko, Youngjoon Hong
- Abstract要約: 偏微分方程式(PDE)は自然現象の理解と予測の基盤となる。
有限要素演算子ネットワーク(FEONet)を用いたパラメトリックPDEの解法を提案する。
- 参考スコア(独自算出の注目度): 10.855582917943092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Partial differential equations (PDEs) underlie our understanding and
prediction of natural phenomena across numerous fields, including physics,
engineering, and finance. However, solving parametric PDEs is a complex task
that necessitates efficient numerical methods. In this paper, we propose a
novel approach for solving parametric PDEs using a Finite Element Operator
Network (FEONet). Our proposed method leverages the power of deep learning in
conjunction with traditional numerical methods, specifically the finite element
method, to solve parametric PDEs in the absence of any paired input-output
training data. We performed various experiments on several benchmark problems
and confirmed that our approach has demonstrated excellent performance across
various settings and environments, proving its versatility in terms of
accuracy, generalization, and computational flexibility. Our FEONet framework
shows potential for application in various fields where PDEs play a crucial
role in modeling complex domains with diverse boundary conditions and singular
behavior. Furthermore, we provide theoretical convergence analysis to support
our approach, utilizing finite element approximation in numerical analysis.
- Abstract(参考訳): 偏微分方程式(PDE)は、物理学、工学、金融など、様々な分野における自然現象の理解と予測の基盤となる。
しかし、パラメトリック pdes の解法は効率的な数値解法を必要とする複雑なタスクである。
本稿では,有限要素演算子ネットワーク(FEONet)を用いたパラメトリックPDEの解法を提案する。
提案手法は,従来の数値手法,特に有限要素法と組み合わせて深層学習の力を利用して,ペア入力出力トレーニングデータがない場合にパラメトリックPDEを解く。
我々は,いくつかのベンチマーク問題に対して様々な実験を行い,その手法が様々な設定と環境にまたがって優れた性能を示し,精度,一般化,計算柔軟性の観点からその汎用性を証明したことを確認した。
我々のFEONetフレームワークは、PDEが様々な境界条件と特異な振る舞いを持つ複雑なドメインのモデリングにおいて重要な役割を果たす様々な分野の応用の可能性を示している。
さらに, 数値解析における有限要素近似を利用して, 理論的収束解析を行った。
関連論文リスト
- Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Spectral operator learning for parametric PDEs without data reliance [6.7083321695379885]
本研究では,データ活用を必要とせずにパラメトリック偏微分方程式(PDE)を解く演算子に基づく新しい手法を提案する。
提案手法は,既存の科学的機械学習技術と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2023-10-03T12:37:15Z) - Efficient Neural PDE-Solvers using Quantization Aware Training [71.0934372968972]
量子化は、性能を維持しながら推論の計算コストを下げることができることを示す。
4つの標準PDEデータセットと3つのネットワークアーキテクチャの結果、量子化対応のトレーニングは、設定と3桁のFLOPで機能することがわかった。
論文 参考訳(メタデータ) (2023-08-14T09:21:19Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。
我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。
その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文 参考訳(メタデータ) (2022-07-18T15:11:43Z) - Finite Expression Method for Solving High-Dimensional Partial
Differential Equations [5.736353542430439]
本稿では,有限個の解析式を持つ関数空間における近似PDE解を求める新しい手法を提案する。
FEXは次元の呪いを避けることができるという近似理論で証明されている。
有限解析式を持つ近似解はまた、基底真理 PDE 解に対する解釈可能な洞察を与える。
論文 参考訳(メタデータ) (2022-06-21T05:51:10Z) - 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) - Spectrally Adapted Physics-Informed Neural Networks for Solving
Unbounded Domain Problems [0.0]
本研究では, (i) 物理インフォームドニューラルネットワーク (PINN) と (ii) 適応スペクトル法という2種類の数値手法を組み合わせる。
物理インフォームドニューラルネットワークによる高次数値スキームの実装により,PDEの解法を効率的に行うことができる。
次に,最近導入されたスペクトル手法の適応手法をPINNベースのPDEソルバに組み込んで,標準PINNで効率よく近似できない非有界領域問題の数値解を求める方法を示す。
論文 参考訳(メタデータ) (2022-02-06T05:25:22Z) - 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) - DiffNet: Neural Field Solutions of Parametric Partial Differential
Equations [30.80582606420882]
我々は、ニューラルネットワークをトレーニングし、PDEに対するソリューションのフィールド予測を生成するメッシュベースのアプローチを検討する。
パラメトリック楕円PDE上の有限要素法(FEM)に基づく重み付きガレルキン損失関数を用いる。
PDE に対する有限要素解に展開されたメッシュ収束解析に類似した,理論的に検証し,実験により考察する。
論文 参考訳(メタデータ) (2021-10-04T17:59:18Z) - Numerically Solving Parametric Families of High-Dimensional Kolmogorov
Partial Differential Equations via Deep Learning [8.019491256870557]
高次元線形コルモゴロフ偏微分方程式(PDE)のパラメトリック族に対する数値解のディープラーニングアルゴリズムを提案する。
本手法は,Fynman-Kac式を用いた1つの統計的学習問題として,コルモゴロフ PDE の族全体の数値近似を再構成した。
シミュレーションデータに基づいてトレーニングされた1つのディープニューラルネットワークが、全時空領域のPDEファミリー全体の解関数を学習可能であることを示す。
論文 参考訳(メタデータ) (2020-11-09T17:57:11Z)
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。