論文の概要: Solutions to Elliptic and Parabolic Problems via Finite Difference Based
Unsupervised Small Linear Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2311.00259v1
- Date: Wed, 1 Nov 2023 03:15:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 15:11:09.415522
- Title: Solutions to Elliptic and Parabolic Problems via Finite Difference Based
Unsupervised Small Linear Convolutional Neural Networks
- Title(参考訳): 有限差分に基づく教師なし小線形畳み込みニューラルネットワークによる楕円・パラボリック問題の解法
- Authors: Adrian Celaya, Keegan Kirk, David Fuentes, Beatrice Riviere
- Abstract要約: 現在のニューラルネットワークベースのPDEソルバは、広範なトレーニングデータやラベル付き入出力ペアに依存することが多い。
我々は、PDEの有限差分解を小さな畳み込みニューラルネットワークを介して直接推定するために、トレーニングデータを必要としない完全に教師なしのアプローチを定式化する。
提案アルゴリズムは,いくつかの楕円型および放物型問題に対して,真の解に匹敵する精度を示す。
- 参考スコア(独自算出の注目度): 1.2289361708127877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, there has been a growing interest in leveraging deep
learning and neural networks to address scientific problems, particularly in
solving partial differential equations (PDEs). However, current neural
network-based PDE solvers often rely on extensive training data or labeled
input-output pairs, making them prone to challenges in generalizing to
out-of-distribution examples. To mitigate the generalization gap encountered by
conventional neural network-based methods in estimating PDE solutions, we
formulate a fully unsupervised approach, requiring no training data, to
estimate finite difference solutions for PDEs directly via small convolutional
neural networks. Our proposed algorithms demonstrate a comparable accuracy to
the true solution for several selected elliptic and parabolic problems compared
to the finite difference method.
- Abstract(参考訳): 近年、深層学習とニューラルネットワークを利用して科学的な問題、特に偏微分方程式(pdes)を解くことへの関心が高まっている。
しかし、現在のニューラルネットワークベースのpdeソルバは、広範なトレーニングデータやラベル付き入出力ペアに依存することが多いため、分散の例に一般化する上での課題が発生しやすい。
従来のニューラルネットワークによるPDE解の推定における一般化ギャップを軽減するため,学習データを必要としない完全教師なしのアプローチを定式化し,PDEの有限差分解を小さな畳み込みニューラルネットワークを介して直接推定する。
提案アルゴリズムは, 有限差分法と比較して選択された楕円型および放物型問題に対して, 真の解に匹敵する精度を示す。
関連論文リスト
- Meta-learning of Physics-informed Neural Networks for Efficiently
Solving Newly Given PDEs [33.072056425485115]
本稿では、偏微分方程式(PDE)問題を効率的に解くニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は多種多様なPDE問題の解法をメタラーニングし,その知識を新たに与えられたPDE問題の解法に用いる。
提案手法は,PDE問題の解を予測する上で,既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-20T04:35:59Z) - 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) - LordNet: Learning to Solve Parametric Partial Differential Equations
without Simulated Data [63.55861160124684]
本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。
具体的には,低ランク分解ネットワーク(LordNet)を提案する。
Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
論文 参考訳(メタデータ) (2022-06-19T14:41:08Z) - 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) - Optimal Transport Based Refinement of Physics-Informed Neural Networks [0.0]
我々は、最適輸送(OT)の概念に基づく偏微分方程式(PDE)の解法として、よく知られた物理情報ニューラルネットワーク(PINN)の改良戦略を提案する。
PINNの解法は、完全接続された病理のスペクトルバイアス、不安定な勾配、収束と精度の難しさなど、多くの問題に悩まされている。
本稿では,既存の PINN フレームワークを補完する OT-based sample を用いて,Fokker-Planck-Kolmogorov Equation (FPKE) を解くための新しいトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2021-05-26T02:51:20Z) - 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) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。