論文の概要: Neural-Integrated Meshfree (NIM) Method: A differentiable
programming-based hybrid solver for computational mechanics
- arxiv url: http://arxiv.org/abs/2311.12915v1
- Date: Tue, 21 Nov 2023 17:57:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 17:22:38.323828
- Title: Neural-Integrated Meshfree (NIM) Method: A differentiable
programming-based hybrid solver for computational mechanics
- Title(参考訳): Neural-Integrated Meshfree (NIM) Method: 計算力学のための微分可能なプログラミングベースハイブリッドソルバ
- Authors: Honghui Du, QiZhi He
- Abstract要約: 本稿では、計算力学の分野における微分可能なプログラミングに基づくハイブリッドメッシュフリーアプローチである、ニューラル積分メッシュフリー(NIM)手法を提案する。
NIMは、従来の物理ベースのメッシュフリーな離散化技術とディープラーニングアーキテクチャをシームレスに統合する。
NIM フレームワークでは,強い形式ベース NIM (S-NIM) と局所変動形式ベース NIM (V-NIM) の2つの真のメッシュフリーな解法を提案する。
- 参考スコア(独自算出の注目度): 1.7132914341329852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the neural-integrated meshfree (NIM) method, a differentiable
programming-based hybrid meshfree approach within the field of computational
mechanics. NIM seamlessly integrates traditional physics-based meshfree
discretization techniques with deep learning architectures. It employs a hybrid
approximation scheme, NeuroPU, to effectively represent the solution by
combining continuous DNN representations with partition of unity (PU) basis
functions associated with the underlying spatial discretization. This
neural-numerical hybridization not only enhances the solution representation
through functional space decomposition but also reduces both the size of DNN
model and the need for spatial gradient computations based on automatic
differentiation, leading to a significant improvement in training efficiency.
Under the NIM framework, we propose two truly meshfree solvers: the strong
form-based NIM (S-NIM) and the local variational form-based NIM (V-NIM). In the
S-NIM solver, the strong-form governing equation is directly considered in the
loss function, while the V-NIM solver employs a local Petrov-Galerkin approach
that allows the construction of variational residuals based on arbitrary
overlapping subdomains. This ensures both the satisfaction of underlying
physics and the preservation of meshfree property. We perform extensive
numerical experiments on both stationary and transient benchmark problems to
assess the effectiveness of the proposed NIM methods in terms of accuracy,
scalability, generalizability, and convergence properties. Moreover,
comparative analysis with other physics-informed machine learning methods
demonstrates that NIM, especially V-NIM, significantly enhances both accuracy
and efficiency in end-to-end predictive capabilities.
- Abstract(参考訳): 本稿では,計算力学の分野における微分可能プログラミングに基づくハイブリッドメッシュフリーアプローチであるneural-integrated meshfree (nim)法を提案する。
NIMは、従来の物理ベースのメッシュフリーな離散化技術とディープラーニングアーキテクチャをシームレスに統合する。
連続的なDNN表現と、基礎となる空間離散化に関連するユニタリ基底関数の分割を組み合わせることで、この解を効果的に表現するためにハイブリッド近似スキームであるNeuroPUを採用している。
このニューラル数値ハイブリッド化は、関数空間分解による解表現を向上するだけでなく、DNNモデルのサイズと自動微分に基づく空間勾配計算の必要性の両方を低減し、トレーニング効率を大幅に向上させる。
NIM フレームワークでは,強い形式ベース NIM (S-NIM) と局所変動形式ベース NIM (V-NIM) の2つの真のメッシュフリーな解法を提案する。
S-NIMソルバでは、強形式支配方程式は損失関数において直接考慮されるが、V-NIMソルバは任意の重複部分領域に基づく変分残差の構成を可能にする局所ペトロフ・ガレルキン法を用いる。
これにより、基礎となる物理学の満足度とメッシュフリー特性の保存が保証される。
提案手法の有効性を精度,拡張性,一般化性,収束性の観点から評価するために,定常ベンチマーク問題と過渡ベンチマーク問題の両方について広範な数値実験を行った。
さらに,nim,特にv-nimとの比較分析により,エンドツーエンド予測能力の精度と効率が著しく向上することが示された。
関連論文リスト
- Separable Physics-informed Neural Networks for Solving the BGK Model of
the Boltzmann Equation [5.041477069153866]
本稿では,ボルツマン方程式のBGKモデルを効果的に解くために,分離可能な物理情報ニューラルネットワーク(SPINN)を用いた手法を提案する。
我々は、SPINNの正準多進分解構造とモーメント計算の線形性を活用し、二次ルール適用の計算コストを大幅に削減する。
論文 参考訳(メタデータ) (2024-03-10T23:44:55Z) - Dynamically configured physics-informed neural network in topology
optimization applications [4.403140515138818]
物理インフォームドニューラルネットワーク(PINN)は、前方問題を解決する際に大量のデータを生成するのを避けることができる。
動的に構成された PINN-based Topology Optimization (DCPINN-TO) 法を提案する。
変位予測と最適化結果の精度は,DCPINN-TO法が効率的かつ効率的であることを示している。
論文 参考訳(メタデータ) (2023-12-12T05:35:30Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - 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) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - JAX-DIPS: Neural bootstrapping of finite discretization methods and
application to elliptic problems with discontinuities [0.0]
この戦略は、偏微分方程式のニューラルネットワークサロゲートモデルを効率的に訓練するために使用できる。
提案したニューラルブートストラップ法(以下 NBM と呼ぶ)は,PDE システムの有限離散化残基の評価に基づいている。
NBMは他のPINNタイプのフレームワークとメモリとトレーニングの速度で競合することを示す。
論文 参考訳(メタデータ) (2022-10-25T20:13:26Z) - 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) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - A hybrid MGA-MSGD ANN training approach for approximate solution of
linear elliptic PDEs [0.0]
MGA-MSGD(Modified Genetic-Multilevel Gradient Descent)トレーニングアルゴリズムを導入しました。
ANNによるPDEによって記述された3次元機械的問題の精度と効率を大幅に改善する。
論文 参考訳(メタデータ) (2020-12-18T10:59:07Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - 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。