論文の概要: Local Convolution Enhanced Global Fourier Neural Operator For Multiscale
Dynamic Spaces Prediction
- arxiv url: http://arxiv.org/abs/2311.12902v1
- Date: Tue, 21 Nov 2023 11:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 17:38:37.940526
- Title: Local Convolution Enhanced Global Fourier Neural Operator For Multiscale
Dynamic Spaces Prediction
- Title(参考訳): 局所畳み込みによる大規模動的空間予測のためのグローバルフーリエニューラル演算子
- Authors: Xuanle Zhao, Yue Sun, Tielin Zhang, Bo Xu
- Abstract要約: 改良されたフーリエ層とアテンション機構を統合した新しい階層型ニューラル演算子を提案する。
既存のPDEベンチマーク、特に高速係数の変動を特徴とする方程式において、優れた性能に達する。
- 参考スコア(独自算出の注目度): 19.56790304454538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural operators extend the capabilities of traditional neural networks by
allowing them to handle mappings between function spaces for the purpose of
solving partial differential equations (PDEs). One of the most notable methods
is the Fourier Neural Operator (FNO), which is inspired by Green's function
method and approximate operator kernel directly in the frequency domain. In
this work, we focus on predicting multiscale dynamic spaces, which is
equivalent to solving multiscale PDEs. Multiscale PDEs are characterized by
rapid coefficient changes and solution space oscillations, which are crucial
for modeling atmospheric convection and ocean circulation. To solve this
problem, models should have the ability to capture rapid changes and process
them at various scales. However, the FNO only approximates kernels in the
low-frequency domain, which is insufficient when solving multiscale PDEs. To
address this challenge, we propose a novel hierarchical neural operator that
integrates improved Fourier layers with attention mechanisms, aiming to capture
all details and handle them at various scales. These mechanisms complement each
other in the frequency domain and encourage the model to solve multiscale
problems. We perform experiments on dynamic spaces governed by forward and
reverse problems of multiscale elliptic equations, Navier-Stokes equations and
some other physical scenarios, and reach superior performance in existing PDE
benchmarks, especially equations characterized by rapid coefficient variations.
- Abstract(参考訳): ニューラル演算子は、偏微分方程式(PDE)を解くために関数空間間の写像を扱えるようにすることで、従来のニューラルネットワークの機能を拡張する。
最も注目すべき手法の1つはフーリエニューラル演算子(FNO)であり、これはグリーンの関数法と周波数領域内での近似演算子カーネルにインスパイアされている。
本研究では,マルチスケールPDEの解法と等価なマルチスケール動的空間の予測に焦点をあてる。
マルチスケールのPDEは、大気対流と海洋循環のモデル化に欠かせない急激な係数変化と溶液空間の振動によって特徴づけられる。
この問題を解決するためには、モデルが迅速な変化をキャプチャし、さまざまなスケールで処理できる必要がある。
しかし、FNOは低周波領域のカーネルのみを近似しており、マルチスケールPDEの解決には不十分である。
この課題に対処するために,改良されたフーリエ層とアテンション機構を統合した階層型ニューラル演算子を提案する。
これらのメカニズムは周波数領域で互いに補完し、モデルにマルチスケールの問題を解決するよう促す。
我々は,多スケール楕円型方程式,ナビエ・ストークス方程式,その他の物理シナリオの前方および逆問題によって支配される動的空間の実験を行い,既存のPDEベンチマーク,特に高速係数の変動を特徴とする方程式において優れた性能を達成する。
関連論文リスト
- Coupled Multiwavelet Neural Operator Learning for Coupled Partial
Differential Equations [13.337268390844745]
本稿では,結合した積分カーネルを分離し,テキスト結合型マルチウェーブレットニューラル演算子(CMWNO)の学習手法を提案する。
提案手法は,従来の学習型解法に比べて精度が高い。
論文 参考訳(メタデータ) (2023-03-04T03:06:47Z) - 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) - Incremental Spatial and Spectral Learning of Neural Operators for
Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。
iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。
提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文 参考訳(メタデータ) (2022-11-28T09:57:15Z) - Mitigating spectral bias for the multiscale operator learning with
hierarchical attention [12.773463936019786]
本稿では階層的行列アプローチに着想を得た階層的注意神経演算子(HANO)を提案する。
HANOは、スケール適応的な相互作用範囲とレベル階層上の自己アテンションを備えており、制御可能な線形コストでネストされた特徴計算を可能にする。
我々の数値実験により,HANOは多スケール問題に対して最先端(SOTA)法より優れていることが示された。
論文 参考訳(メタデータ) (2022-10-19T21:09:29Z) - Towards Multi-spatiotemporal-scale Generalized PDE Modeling [4.924631198058705]
渦流および速度関数形式における流体力学問題に対する様々なFNOとU-Netのようなアプローチの比較を行う。
一つの代理モデルを用いて異なるPDEパラメータと時間スケールへの一般化の有望な結果を示す。
論文 参考訳(メタデータ) (2022-09-30T17:40:05Z) - 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) - 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) - On the eigenvector bias of Fourier feature networks: From regression to
solving multi-scale PDEs with physics-informed neural networks [0.0]
ニューラルネットワーク(PINN)は、目標関数を近似する場合には、高周波またはマルチスケールの特徴を示す。
マルチスケールなランダムな観測機能を備えた新しいアーキテクチャを構築し、そのような座標埋め込み層が堅牢で正確なPINNモデルにどのように結びつくかを正当化します。
論文 参考訳(メタデータ) (2020-12-18T04:19:30Z) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳(メタデータ) (2020-10-18T00:34:21Z) - 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。