論文の概要: Operator Learning Enhanced Physics-informed Neural Networks for Solving
Partial Differential Equations Characterized by Sharp Solutions
- arxiv url: http://arxiv.org/abs/2310.19590v1
- Date: Mon, 30 Oct 2023 14:47:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 19:41:08.817492
- Title: Operator Learning Enhanced Physics-informed Neural Networks for Solving
Partial Differential Equations Characterized by Sharp Solutions
- Title(参考訳): シャープ解によって特徴づけられる偏微分方程式を解く演算子学習による物理インフォームドニューラルネットワーク
- Authors: Bin Lin, Zhiping Mao, Zhicheng Wang, George Em Karniadakis
- Abstract要約: そこで我々は,OL-PINN(Operator Learning Enhanced Physics-informed Neural Networks)と呼ばれる新しいフレームワークを提案する。
提案手法は, 強い一般化能力を実現するために, 少数の残差点しか必要としない。
精度を大幅に向上すると同時に、堅牢なトレーニングプロセスも保証する。
- 参考スコア(独自算出の注目度): 10.999971808508437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-informed Neural Networks (PINNs) have been shown as a promising
approach for solving both forward and inverse problems of partial differential
equations (PDEs). Meanwhile, the neural operator approach, including methods
such as Deep Operator Network (DeepONet) and Fourier neural operator (FNO), has
been introduced and extensively employed in approximating solution of PDEs.
Nevertheless, to solve problems consisting of sharp solutions poses a
significant challenge when employing these two approaches. To address this
issue, we propose in this work a novel framework termed Operator Learning
Enhanced Physics-informed Neural Networks (OL-PINN). Initially, we utilize
DeepONet to learn the solution operator for a set of smooth problems relevant
to the PDEs characterized by sharp solutions. Subsequently, we integrate the
pre-trained DeepONet with PINN to resolve the target sharp solution problem. We
showcase the efficacy of OL-PINN by successfully addressing various problems,
such as the nonlinear diffusion-reaction equation, the Burgers equation and the
incompressible Navier-Stokes equation at high Reynolds number. Compared with
the vanilla PINN, the proposed method requires only a small number of residual
points to achieve a strong generalization capability. Moreover, it
substantially enhances accuracy, while also ensuring a robust training process.
Furthermore, OL-PINN inherits the advantage of PINN for solving inverse
problems. To this end, we apply the OL-PINN approach for solving problems with
only partial boundary conditions, which usually cannot be solved by the
classical numerical methods, showing its capacity in solving ill-posed problems
and consequently more complex inverse problems.
- Abstract(参考訳): 物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の前方および逆問題の解法として有望なアプローチとして示されている。
一方、ディープ・オペレーター・ネットワーク(DeepONet)やフーリエ・ニューラル・オペレータ(FNO)などの手法を含むニューラル・オペレーター・アプローチは、PDEの近似ソリューションとして広く採用されている。
それでも、シャープなソリューションからなる問題を解決することは、この2つのアプローチを採用する際に大きな課題となる。
そこで本研究では,演算子学習強化物理インフォームドニューラルネットワーク(OL-PINN)と呼ばれる新しいフレームワークを提案する。
まず,deeponetを用いて,鋭い解を特徴とするpdesに関連する平滑な問題の集合について解演算子を学習する。
その後、トレーニング済みのDeepONetをPINNと統合し、ターゲットのシャープな解問題を解決する。
本稿では, 非線形拡散反応方程式, バーガーズ方程式, 圧縮不能なナビエ・ストークス方程式などの様々な問題をレイノルズ数で解くことで, OL-PINNの有効性を示す。
提案手法はバニラピンと比較すると,強い一般化能力を達成するために少数の残差点しか必要としない。
さらに、堅牢なトレーニングプロセスを確保しながら、精度を大幅に向上させる。
さらに、OL-PINNは逆問題を解決するためにPINNの利点を継承する。
この目的のために,ol-pinn法を部分境界条件のみを用いて解くことに応用し,古典的数値解法では解くことが困難であり,不適切な問題やより複雑な逆問題を解く能力を示す。
関連論文リスト
- General-Kindred Physics-Informed Neural Network to the Solutions of Singularly Perturbed Differential Equations [11.121415128908566]
我々は,Singular Perturbation Differential Equations(SPDE)の解法として,GKPINN(General-Kindred Physics-Informed Neural Network)を提案する。
この手法は, 境界層の事前知識を方程式から利用し, 境界層を近似するPINNを支援する新しいネットワークを確立する。
GKPINNは,確立したPINN法と比較して,2~4桁の誤差を2~4桁に削減し,大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2024-08-27T02:03:22Z) - Binary structured physics-informed neural networks for solving equations
with rapidly changing solutions [3.6415476576196055]
偏微分方程式(PDE)を解くための有望なアプローチとして、物理情報ニューラルネットワーク(PINN)が登場した。
本稿では、ニューラルネットワークコンポーネントとしてバイナリ構造化ニューラルネットワーク(BsNN)を用いる、バイナリ構造化物理インフォームドニューラルネットワーク(BsPINN)フレームワークを提案する。
BsPINNは、PINNよりも収束速度と精度が優れている。
論文 参考訳(メタデータ) (2024-01-23T14:37:51Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - 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) - 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) - Ensemble learning for Physics Informed Neural Networks: a Gradient Boosting approach [10.250994619846416]
段階的強化(GB)と呼ばれる新しい訓練パラダイムを提案する。
与えられたPDEの解を1つのニューラルネットワークで直接学習する代わりに、我々のアルゴリズムは、より優れた結果を得るために、一連のニューラルネットワークを用いています。
この研究は、PINNでアンサンブル学習技術を採用するための扉も開ける。
論文 参考訳(メタデータ) (2023-02-25T19:11:44Z) - Improved Training of Physics-Informed Neural Networks with Model
Ensembles [81.38804205212425]
我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。
すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。
提案手法は, 得られた解の精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-04-11T14:05:34Z) - 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) - Physics and Equality Constrained Artificial Neural Networks: Application
to Partial Differential Equations [1.370633147306388]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。
本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-30T05:55:35Z) - Finite Basis Physics-Informed Neural Networks (FBPINNs): a scalable
domain decomposition approach for solving differential equations [20.277873724720987]
我々はFBPINN(Finite Basis PINNs)と呼ばれる微分方程式に関連する大きな問題を解くための新しいスケーラブルなアプローチを提案する。
FBPINNは古典的有限要素法に着想を得ており、微分方程式の解はコンパクトな支持を持つ基底関数の有限集合の和として表される。
FBPINNでは、ニューラルネットワークを使ってこれらの基底関数を学習する。
論文 参考訳(メタデータ) (2021-07-16T13:03:47Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z)
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。