論文の概要: Bringing PDEs to JAX with forward and reverse modes automatic
differentiation
- arxiv url: http://arxiv.org/abs/2309.07137v1
- Date: Thu, 31 Aug 2023 10:35:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-17 13:38:06.000199
- Title: Bringing PDEs to JAX with forward and reverse modes automatic
differentiation
- Title(参考訳): 前進モードと逆モードでPDEをJAXに持ち込む自動微分
- Authors: Ivan Yashchuk
- Abstract要約: 偏微分方程式(PDE)は様々な物理現象を記述するために用いられる。
PDEを解く一般的な方法の1つは有限要素法である。
JAX自動微分ライブラリをFiredrake有限要素ライブラリにインターフェースで拡張します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Partial differential equations (PDEs) are used to describe a variety of
physical phenomena. Often these equations do not have analytical solutions and
numerical approximations are used instead. One of the common methods to solve
PDEs is the finite element method. Computing derivative information of the
solution with respect to the input parameters is important in many tasks in
scientific computing. We extend JAX automatic differentiation library with an
interface to Firedrake finite element library. High-level symbolic
representation of PDEs allows bypassing differentiating through low-level
possibly many iterations of the underlying nonlinear solvers. Differentiating
through Firedrake solvers is done using tangent-linear and adjoint equations.
This enables the efficient composition of finite element solvers with arbitrary
differentiable programs. The code is available at
github.com/IvanYashchuk/jax-firedrake.
- Abstract(参考訳): 偏微分方程式(PDE)は様々な物理現象を記述するために用いられる。
これらの方程式は解析解を持たないことが多く、代わりに数値近似が用いられる。
PDEを解く一般的な方法の1つは有限要素法である。
入力パラメータに関する解の微分情報は、科学計算における多くのタスクにおいて重要である。
JAX自動微分ライブラリをFiredrake有限要素ライブラリにインターフェースで拡張します。
PDEの高レベルシンボリック表現は、下層の非線形ソルバの低レベルおそらく多くの反復を通して微分をバイパスすることができる。
Firedrakeソルバによる微分は、接線と随伴方程式を用いて行われる。
これにより、任意の微分可能なプログラムを持つ有限要素ソルバの効率的な構成が可能になる。
コードはgithub.com/ivanyashchuk/jax-firedrakeで入手できる。
関連論文リスト
- Towards Efficient Time Stepping for Numerical Shape Correspondence [55.2480439325792]
偏微分方程式(PDE)に基づく手法が確立されており、例えば古典的な熱核シグネチャを含む。
本研究の目的は,形状解析の文脈における時間積分の手法の有用な性質を特定できるかどうかを評価することである。
論文 参考訳(メタデータ) (2023-12-21T13:40:03Z) - 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) - Meta-PDE: Learning to Solve PDEs Quickly Without a Mesh [24.572840023107574]
偏微分方程式(PDE)は、しばしば計算的に解くのが難しい。
本稿では,関連するPDEの分布から,問題の迅速な解法を学習するメタラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-11-03T06:17:52Z) - 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) - Fourier Neural Operator with Learned Deformations for PDEs on General
Geometries [62.45777230253574]
我々は任意の測地上でPDEを解決するための新しいフレームワーク、viz.、geo-FNOを提案する。
Geo-FNO は入力(物理)領域を不規則で、一様格子を持つ潜在空間に変形させることを学ぶ。
我々は, 弾性, 塑性, オイラー方程式, ナビエ・ストークス方程式などの多種多様なPDEと, 前方モデリングと逆設計の問題を考察する。
論文 参考訳(メタデータ) (2022-07-11T21:55:47Z) - Learning time-dependent PDE solver using Message Passing Graph Neural
Networks [0.0]
本稿では,メッセージパッシングモデルを用いた学習を通して,効率的なPDE解法を見つけるためのグラフニューラルネットワーク手法を提案する。
グラフを用いて、非構造化メッシュ上でPDEデータを表現し、メッセージパッシンググラフニューラルネットワーク(MPGNN)が支配方程式をパラメータ化できることを示す。
繰り返しグラフニューラルネットワークは,PDEに対する解の時間列を見つけることができることを示す。
論文 参考訳(メタデータ) (2022-04-15T21:10:32Z) - Neural Q-learning for solving PDEs [0.0]
我々は,強化学習にQ-ラーニングアルゴリズムを適用し,楕円型PDEを解くための新しい数値法を開発した。
我々の「Q-PDE」アルゴリズムはメッシュフリーであり、従って次元の呪いを克服する可能性がある。
楕円型PDEに対するQ-PDEアルゴリズムの数値計算性能について検討した。
論文 参考訳(メタデータ) (2022-03-31T15:52:44Z) - Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。
PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。
神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文 参考訳(メタデータ) (2022-02-15T18:43:17Z) - 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) - Meta-Auto-Decoder for Solving Parametric Partial Differential Equations [32.46080264991759]
部分微分方程式 (Partial Differential Equations, PDE) は、科学と工学の多くの分野においてユビキタスであり、解決が困難である。
提案手法はメタオートデコーダ(MAD)と呼ばれ,パラメトリックPDEをメタ学習問題として扱う。
MADは、他のディープラーニング手法と比較して精度を損なうことなく、より高速な収束速度を示す。
論文 参考訳(メタデータ) (2021-11-15T02:51:42Z) - Solver-in-the-Loop: Learning from Differentiable Physics to Interact
with Iterative PDE-Solvers [26.444103444634994]
認識されたPDEが捉えない効果を補正することにより、機械学習が解の精度を向上させることができることを示す。
従来使用されていた学習手法は,学習ループにソルバを組み込む手法により大幅に性能が向上していることがわかった。
これにより、以前の補正を考慮に入れたリアルな入力分布がモデルに提供される。
論文 参考訳(メタデータ) (2020-06-30T18:00:03Z)
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。