論文の概要: Data-Driven Discovery of PDEs via the Adjoint Method
- arxiv url: http://arxiv.org/abs/2401.17177v1
- Date: Tue, 30 Jan 2024 17:10:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:07:04.697701
- Title: Data-Driven Discovery of PDEs via the Adjoint Method
- Title(参考訳): 随伴法によるPDEデータの探索
- Authors: Mohsen Sadr, Tony Tohme, Kamal Youcef-Toumi
- Abstract要約: 本稿では、与えられたデータに基づいて、基礎となる支配的偏微分方程式(PDE)を発見する方法を提案する。
特に、パラメータ化された非線形PDEの族に対して、対応する随伴方程式を導出する方法を示す。
随伴法の精度は、PDE-FINDとして知られる有名なPDE関数同定法に匹敵する。
- 参考スコア(独自算出の注目度): 4.511923587827301
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we present an adjoint-based method for discovering the
underlying governing partial differential equations (PDEs) given data. The idea
is to consider a parameterized PDE in a general form, and formulate the
optimization problem that minimizes the error of PDE solution from data. Using
variational calculus, we obtain an evolution equation for the Lagrange
multipliers (adjoint equations) allowing us to compute the gradient of the
objective function with respect to the parameters of PDEs given data in a
straightforward manner. In particular, for a family of parameterized and
nonlinear PDEs, we show how the corresponding adjoint equations can be derived.
Here, we show that given smooth data set, the proposed adjoint method can
recover the true PDE up to machine accuracy. However, in the presence of noise,
the accuracy of the adjoint method becomes comparable to the famous PDE
Functional Identification of Nonlinear Dynamics method known as PDE-FIND (Rudy
et al., 2017). Even though the presented adjoint method relies on
forward/backward solvers, it outperforms PDE-FIND for large data sets thanks to
the analytic expressions for gradients of the cost function with respect to
each PDE parameter.
- Abstract(参考訳): 本研究では, 与えられたデータに基づいて, 基礎となる制御偏微分方程式(PDE)を探索する。
この考え方は、パラメータ化されたPDEを一般的な形式で考慮し、データからPDE解の誤差を最小限に抑える最適化問題を定式化する。
変分法を用いてラグランジュ乗算器(随伴方程式)の進化方程式を求め、与えられたPDEのパラメータに対する目的関数の勾配を直接的に計算する。
特に、パラメータ化された非線形PDEの族に対して、対応する随伴方程式を導出する方法を示す。
ここでは,スムーズなデータセットが与えられた場合,提案手法は真のPDEを機械的精度まで復元できることを示す。
しかし、ノイズの存在下では、共役法の精度はPDE-FIND(Rudy et al., 2017)として知られる有名な非線形ダイナミクス法のPDE関数同定に匹敵する。
提案した随伴法は前方/後方の解法に依存するが,各PDEパラメータに対するコスト関数の勾配解析式により,大規模データセットに対してPDE-FINDより優れる。
関連論文リスト
- Towards Efficient Time Stepping for Numerical Shape Correspondence [55.2480439325792]
偏微分方程式(PDE)に基づく手法が確立されており、例えば古典的な熱核シグネチャを含む。
本研究の目的は,形状解析の文脈における時間積分の手法の有用な性質を特定できるかどうかを評価することである。
論文 参考訳(メタデータ) (2023-12-21T13:40:03Z) - 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) - Lie Point Symmetry and Physics Informed Networks [59.56218517113066]
本稿では、損失関数を用いて、PINNモデルが基礎となるPDEを強制しようとするのと同じように、リー点対称性をネットワークに通知するロス関数を提案する。
我々の対称性の損失は、リー群の無限小生成元がPDE解を保存することを保証する。
実験により,PDEのリー点対称性による誘導バイアスはPINNの試料効率を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-11-07T19:07:16Z) - Weak-PDE-LEARN: A Weak Form Based Approach to Discovering PDEs From
Noisy, Limited Data [0.0]
Weak-PDE-LEARNは,非線形PDEを雑音から同定し,その解を限定的に測定する探索アルゴリズムである。
いくつかのベンチマークPDEを学習し,Weak-PDE-LEARNの有効性を示す。
論文 参考訳(メタデータ) (2023-09-09T06:45:15Z) - Neural Control of Parametric Solutions for High-dimensional Evolution
PDEs [6.649496716171139]
我々は進化偏微分方程式(PDE)の解演算子を近似する新しい計算フレームワークを開発する。
パラメータ空間における制御ベクトル場を学習することにより,PDEの解演算子を近似する。
これにより計算コストを大幅に削減し、任意の初期条件で進化PDEを解くことができる。
論文 参考訳(メタデータ) (2023-01-31T19:26:25Z) - Parameter Inference based on Gaussian Processes Informed by Nonlinear
Partial Differential Equations [6.230751621285322]
偏微分方程式 (Partial differential equation, PDE) は、物理現象や工学現象の記述に広く用いられている。
PDEに関連するいくつかの重要なパラメータは、重要な科学的解釈を持つ特定の物理的性質を表すもので、直接的に測定することは困難または不可能である。
本稿では,PDE-Informed Gaussian Process (PIGP) を用いたパラメータ推定手法を提案する。
論文 参考訳(メタデータ) (2022-12-22T17:14:51Z) - 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) - Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。
PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。
神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文 参考訳(メタデータ) (2022-02-15T18:43:17Z) - 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) - Solving and Learning Nonlinear PDEs with Gaussian Processes [11.09729362243947]
非線形偏微分方程式を解くための単純で厳密で統一された枠組みを提案する。
提案手法は、コロケーションカーネル法を非線形PDEとIPに自然に一般化する。
IP では,PDE におけるパラメータの同定と解の数値近似を反復的に行う手法が提案されているが,アルゴリズムは両手法を同時に扱う。
論文 参考訳(メタデータ) (2021-03-24T03:16:08Z) - Error bounds for PDE-regularized learning [0.6445605125467573]
偏微分方程式(PDE)による教師付き学習問題の正規化について考察する。
得られた近似の誤差境界を PDE 誤差項とデータ誤差項で導出する。
論文 参考訳(メタデータ) (2020-03-14T00:51:39Z)
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。