論文の概要: Accelerating PDE Data Generation via Differential Operator Action in
Solution Space
- arxiv url: http://arxiv.org/abs/2402.05957v1
- Date: Sun, 4 Feb 2024 17:28:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 14:20:51.317446
- Title: Accelerating PDE Data Generation via Differential Operator Action in
Solution Space
- Title(参考訳): 解空間における微分演算子作用によるPDEデータ生成の高速化
- Authors: Huanshuo Dong, Hong Wang, Haoyang Liu, Jian Luo, Jie Wang
- Abstract要約: 我々は、新しいPDEデータセット生成アルゴリズム、すなわち、解空間における微分演算子アクション(DiffOAS)を提案する。
DiffOASはいくつかの基本的なPDEソリューションを取得し、それらを組み合わせてソリューションを得る。
これらの解に対して微分演算子、すなわち「演算アクション」と呼ばれるプロセスを適用して、正確なPDEデータポイントを効率的に生成する。
実験の結果,DiffOASは1万インスタンスの大規模データセットの生成を300倍加速することがわかった。
- 参考スコア(独自算出の注目度): 6.22420776808699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in data-driven approaches, such as Neural Operator (NO),
have demonstrated their effectiveness in reducing the solving time of Partial
Differential Equations (PDEs). However, one major challenge faced by these
approaches is the requirement for a large amount of high-precision training
data, which needs significant computational costs during the generation
process. To address this challenge, we propose a novel PDE dataset generation
algorithm, namely Differential Operator Action in Solution space (DiffOAS),
which speeds up the data generation process and enhances the precision of the
generated data simultaneously. Specifically, DiffOAS obtains a few basic PDE
solutions and then combines them to get solutions. It applies differential
operators on these solutions, a process we call 'operator action', to
efficiently generate precise PDE data points. Theoretical analysis shows that
the time complexity of DiffOAS method is one order lower than the existing
generation method. Experimental results show that DiffOAS accelerates the
generation of large-scale datasets with 10,000 instances by 300 times. Even
with just 5% of the generation time, NO trained on the data generated by
DiffOAS exhibits comparable performance to that using the existing generation
method, which highlights the efficiency of DiffOAS.
- Abstract(参考訳): ニューラル演算子(NO)のようなデータ駆動型手法の最近の進歩は、部分微分方程式(PDE)の解時間を短縮する効果を実証している。
しかしながら、これらのアプローチが直面する1つの大きな課題は、生成プロセス中にかなりの計算コストを必要とする大量の高精度なトレーニングデータの要求である。
そこで本研究では,PDEデータセット生成アルゴリズム,すなわち解空間における微分演算子アクション(DiffOAS)を提案し,データ生成プロセスを高速化し,生成したデータの精度を同時に向上する。
具体的には、DiffOASはいくつかの基本的なPDEソリューションを取得し、それらを組み合わせてソリューションを得る。
微分作用素をこれらの解、つまり「操作動作」と呼ばれるプロセスに適用し、pdeデータポイントを効率的に生成する。
理論的解析により、DiffOAS法の時間複雑性は既存の生成法よりも1次低いことがわかった。
実験の結果,DiffOASは1万インスタンスの大規模データセットの生成を300倍加速することがわかった。
生成時間の5%に過ぎず、DiffOASが生成したデータに基づいてトレーニングされたNOは、既存の生成方法と同等のパフォーマンスを示し、DiffOASの効率を強調している。
関連論文リスト
- Data-Efficient Operator Learning via Unsupervised Pretraining and
In-Context Learning [48.51023783276896]
PDE演算子学習のための教師なし事前学習とコンテキスト学習を設計する。
提案手法は,データ効率が高く,より一般化可能であり,従来の視覚予測モデルよりも優れる。
論文 参考訳(メタデータ) (2024-02-24T06:27:33Z) - SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models [66.67616086310662]
拡散確率モデル(DPM)は生成タスクでかなりの成功を収めた。
DPM からのサンプリングは、時間を要する拡散 SDE や ODE の解法と等価であるため、改良された微分方程式解法に基づく多数の高速サンプリング手法が提案されている。
拡散SDEを解くための効率の良いAdams法であるSA-of-rを提案する。
論文 参考訳(メタデータ) (2023-09-10T12:44:54Z) - Data Augmentation for Seizure Prediction with Generative Diffusion Model [26.967247641926814]
重症度予測は患者の生活改善に非常に重要である。
初期データと中間データの間の深刻な不均衡問題は、依然として大きな課題となっている。
データ拡張は、この問題を解決するための直感的な方法です。
DiffEEGと呼ばれる拡散モデルを用いた新しいデータ拡張手法を提案する。
論文 参考訳(メタデータ) (2023-06-14T05:44:53Z) - BOOT: Data-free Distillation of Denoising Diffusion Models with
Bootstrapping [64.54271680071373]
拡散モデルは多様な画像を生成する優れた可能性を示している。
知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。
本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-08T20:30:55Z) - SEEDS: Exponential SDE Solvers for Fast High-Quality Sampling from
Diffusion Models [0.49478969093606673]
DPM(Diffusion Probabilistic Models)として知られる強力な生成モデルのクラスが注目されている。
高速であるにもかかわらず、そのような解法は通常、利用可能な遅いSDE解法によって達成される最適な品質に達しない。
我々の目標は、その目標を達成するために数百から数千のNFEを必要とすることなく、最適な品質に達するSDEソルバを提案することである。
論文 参考訳(メタデータ) (2023-05-23T17:19:54Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳(メタデータ) (2022-08-11T22:27:22Z) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳(メタデータ) (2022-06-21T17:59:20Z) - Deep-learning based discovery of partial differential equations in
integral form from sparse and noisy data [2.745859263816099]
上記の問題を同時に扱うために,ディープラーニングと積分形式を組み合わせた新しいフレームワークを提案する。
提案アルゴリズムは, 積分形式の利用により, 従来の手法と比較して, ノイズに強く, 精度が高い。
論文 参考訳(メタデータ) (2020-11-24T09:18:39Z) - Weak SINDy For Partial Differential Equations [0.0]
我々はWeak SINDy(WSINDy)フレームワークを偏微分方程式(PDE)の設定にまで拡張する。
弱い形状による点微分近似の除去は、ノイズフリーデータからモデル係数の効率的な機械的精度回復を可能にする。
我々は、いくつかの挑戦的なPDEに対して、WSINDyの堅牢性、速度、精度を実証する。
論文 参考訳(メタデータ) (2020-07-06T16:03:51Z) - Deep-learning of Parametric Partial Differential Equations from Sparse
and Noisy Data [2.4431531175170362]
この研究では、ニューラルネットワーク、遺伝的アルゴリズム、適応的手法を組み合わせた新しいフレームワークが、これらの課題を同時に解決するために提案されている。
訓練されたニューラルネットワークを用いてデリバティブを計算し、大量のメタデータを生成し、スパースノイズデータの問題を解決する。
次に、遺伝的アルゴリズムを用いて、不完全候補ライブラリによるPDEと対応する係数の形式を発見する。
空間的あるいは時間的に異なる係数を持つパラメトリックPDEを発見するために、2段階適応法を導入する。
論文 参考訳(メタデータ) (2020-05-16T09:09:57Z)
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。