論文の概要: A Comparison of Mesh-Free Differentiable Programming and Data-Driven
Strategies for Optimal Control under PDE Constraints
- arxiv url: http://arxiv.org/abs/2310.02286v1
- Date: Mon, 2 Oct 2023 15:30:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 18:24:16.396228
- Title: A Comparison of Mesh-Free Differentiable Programming and Data-Driven
Strategies for Optimal Control under PDE Constraints
- Title(参考訳): PDE制約下での最適制御のためのメッシュフリー微分プログラミングとデータ駆動方式の比較
- Authors: Roussel Desmond Nzoyem, David A.W. Barton, Tom Deakin
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)や微分可能プログラミング(DP)のような新しい手法は、直接共役ループ(DAL)のような確立された数値スキームと対比される。
本稿では,Radar Basis関数に基づく汎用メッシュフリー微分可能PDEソルバを用いて,DAL,PINN,DPの総合比較を行う。
- 参考スコア(独自算出の注目度): 0.8287206589886879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The field of Optimal Control under Partial Differential Equations (PDE)
constraints is rapidly changing under the influence of Deep Learning and the
accompanying automatic differentiation libraries. Novel techniques like
Physics-Informed Neural Networks (PINNs) and Differentiable Programming (DP)
are to be contrasted with established numerical schemes like Direct-Adjoint
Looping (DAL). We present a comprehensive comparison of DAL, PINN, and DP using
a general-purpose mesh-free differentiable PDE solver based on Radial Basis
Functions. Under Laplace and Navier-Stokes equations, we found DP to be
extremely effective as it produces the most accurate gradients; thriving even
when DAL fails and PINNs struggle. Additionally, we provide a detailed
benchmark highlighting the limited conditions under which any of those methods
can be efficiently used. Our work provides a guide to Optimal Control
practitioners and connects them further to the Deep Learning community.
- Abstract(参考訳): 部分微分方程式(PDE)制約下での最適制御の分野は、ディープラーニングとそれに伴う自動微分ライブラリの影響下で急速に変化している。
physics-informed neural networks (pinns) や differentiable programming (dp) といった新しい手法は、direct-adjoint looping (dal) のような確立された数値スキームと対比される。
本稿では,Radar Basis関数に基づく汎用メッシュフリー微分可能PDEソルバを用いて,DAL,PINN,DPの総合比較を行う。
Laplace と Navier-Stokes の方程式の下では,DP は DAL が失敗し PINN が苦労しても,最も正確な勾配を生成するため極めて有効であることがわかった。
さらに,これらの手法を効率的に使用可能な限られた条件を,詳細なベンチマークで強調する。
私たちの研究は、最適な制御実践者へのガイドを提供し、それらを深層学習コミュニティにさらに結びつけます。
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) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - 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) - Bi-level Physics-Informed Neural Networks for PDE Constrained
Optimization using Broyden's Hypergradients [29.487375792661005]
PDE制約最適化問題を解決するための新しい二段階最適化フレームワークを提案する。
内部ループ最適化では、PDE制約のみを解決するためにPINNを採用する。
外部ループに対しては,Implicit関数定理に基づく Broyden'simat 法を用いて新しい手法を設計する。
論文 参考訳(メタデータ) (2022-09-15T06:21:24Z) - 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) - Physics-constrained Unsupervised Learning of Partial Differential
Equations using Meshes [1.066048003460524]
グラフニューラルネットワークは、不規則にメッシュ化されたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。
本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いてそれらを処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。
本フレームワークは, ソフトボディ変形のモデルベース制御など, PDEソルバをインタラクティブな設定に適用する。
論文 参考訳(メタデータ) (2022-03-30T19:22:56Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - 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) - Adversarial Multi-task Learning Enhanced Physics-informed Neural
Networks for Solving Partial Differential Equations [9.823102211212582]
本稿では,多タスク学習手法,不確実性強調損失,勾配手術を学習pdeソリューションの文脈で活用する新しいアプローチを提案する。
実験では,提案手法が有効であることが判明し,従来手法と比較して未発見のデータポイントの誤差を低減できた。
論文 参考訳(メタデータ) (2021-04-29T13:17:46Z)
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。