論文の概要: Score-Based Physics-Informed Neural Networks for High-Dimensional
Fokker-Planck Equations
- arxiv url: http://arxiv.org/abs/2402.07465v1
- Date: Mon, 12 Feb 2024 07:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 15:06:59.816839
- Title: Score-Based Physics-Informed Neural Networks for High-Dimensional
Fokker-Planck Equations
- Title(参考訳): 高次元フォッカープランク方程式のためのスコアベース物理インフォームドニューラルネットワーク
- Authors: Zheyuan Hu, Zhongqiang Zhang, George Em Karniadakis, Kenji Kawaguchi
- Abstract要約: 本稿では,スコア関数をSDEに適合させるスコアベースの解法を提案する。
提案したスコアベースSDEソルバは,まずSM,SSM,Score-PINNを用いてスコアを取得し,次にODEを用いてLLを解く。
その結果、スコアベースのSDEソルバの安定性、速度、性能を異なる設定で示すことができた。
- 参考スコア(独自算出の注目度): 27.164040990410065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Fokker-Planck (FP) equation is a foundational PDE in stochastic
processes. However, curse of dimensionality (CoD) poses challenge when dealing
with high-dimensional FP PDEs. Although Monte Carlo and vanilla
Physics-Informed Neural Networks (PINNs) have shown the potential to tackle
CoD, both methods exhibit numerical errors in high dimensions when dealing with
the probability density function (PDF) associated with Brownian motion. The
point-wise PDF values tend to decrease exponentially as dimension increases,
surpassing the precision of numerical simulations and resulting in substantial
errors. Moreover, due to its massive sampling, Monte Carlo fails to offer fast
sampling. Modeling the logarithm likelihood (LL) via vanilla PINNs transforms
the FP equation into a difficult HJB equation, whose error grows rapidly with
dimension. To this end, we propose a novel approach utilizing a score-based
solver to fit the score function in SDEs. The score function, defined as the
gradient of the LL, plays a fundamental role in inferring LL and PDF and
enables fast SDE sampling. Three fitting methods, Score Matching (SM), Sliced
SM (SSM), and Score-PINN, are introduced. The proposed score-based SDE solver
operates in two stages: first, employing SM, SSM, or Score-PINN to acquire the
score; and second, solving the LL via an ODE using the obtained score.
Comparative evaluations across these methods showcase varying trade-offs. The
proposed method is evaluated across diverse SDEs, including anisotropic OU
processes, geometric Brownian, and Brownian with varying eigenspace. We also
test various distributions, including Gaussian, Log-normal, Laplace, and
Cauchy. The numerical results demonstrate the score-based SDE solver's
stability, speed, and performance across different settings, solidifying its
potential as a solution to CoD for high-dimensional FP equations.
- Abstract(参考訳): フォッカー・プランク方程式(Fokker-Planck equation)は確率過程における基礎的なPDEである。
しかし、次元性(CoD)の呪いは、高次元FP PDEを扱う際に問題となる。
モンテカルロとバニラ物理学に基づくニューラルネットワーク (pinns) はcodに取り組む可能性を示したが、どちらの手法もブラウン運動に関連する確率密度関数 (pdf) を扱う際に高次元の数値誤差を示す。
ポイントワイズPDFの値は次元が大きくなるにつれて指数関数的に減少し、数値シミュレーションの精度を上回り、かなりの誤差をもたらす。
さらに、大規模なサンプリングのため、モンテカルロは高速サンプリングを提供しない。
バニラPINNによる対数可能性(LL)のモデル化は、FP方程式を難しいHJB方程式に変換し、その誤差は次元とともに急速に増加する。
そこで本研究では,スコアに基づく解法を用いてスコア関数をSDEに適合させる手法を提案する。
スコア関数はLLの勾配として定義され、LLとPDFの推測において基本的な役割を担い、高速なSDEサンプリングを可能にする。
Score Matching(SM)、Sliced SM(SSM)、Score-PINNの3つのフィッティング手法が導入された。
提案するスコアベースsdeソルバは、sm、ssm、またはスコアピンを用いてスコアを取得する2段階、および得られたスコアを用いてodeを介してllを解く。
これらの手法の比較評価は、様々なトレードオフを示す。
提案手法は,異方性ou過程,幾何ブラウン過程,固有空間の異なるブラウン過程を含む多種多様なsdesで評価される。
また,ガウス分布,対数正規分布,ラプラス分布,コーシー分布もテストした。
数値計算の結果、スコアベースのSDEソルバの安定性、速度、性能を異なる設定で示し、高次元FP方程式に対するCoDの解法としてのポテンシャルを固めた。
関連論文リスト
- Score-fPINN: Fractional Score-Based Physics-Informed Neural Networks for High-Dimensional Fokker-Planck-Levy Equations [24.86574584293979]
非ブラウン過程のモデリングにおいて、Fokker-Planck-L'evy(FPL)方程式の高次元解法を提案する。
分数点関数と物理インフォームドニューラルネットワーク(PINN)を用いて,次元性(CoD)の呪いを解き放ち,指数関数的に崩壊する解からの数値オーバーフローを軽減する。
論文 参考訳(メタデータ) (2024-06-17T15:57:23Z) - Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。
我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文 参考訳(メタデータ) (2024-06-05T17:59:22Z) - Noise in the reverse process improves the approximation capabilities of
diffusion models [27.65800389807353]
生成モデリングにおける最先端技術であるスコアベース生成モデリング(SGM)では、リバースプロセスは決定論的手法よりも優れた性能を発揮することが知られている。
本稿では,ニューラル常微分方程式 (ODE) とニューラルディメンション方程式 (SDE) を逆過程として比較し,この現象の核となる。
我々は、Fokker-Planck方程式の軌跡を近似するニューラルSDEの能力を解析し、ニューラルティの利点を明らかにする。
論文 参考訳(メタデータ) (2023-12-13T02:39:10Z) - 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) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳(メタデータ) (2023-11-02T02:05:38Z) - An Extreme Learning Machine-Based Method for Computational PDEs in
Higher Dimensions [1.2981626828414923]
本稿では,確率型ニューラルネットワークに基づく高次元偏微分方程式(PDE)の解法について述べる。
本稿では,高次元線形・非線形定常・動的PDEの数値シミュレーションを行い,その性能を実証する。
論文 参考訳(メタデータ) (2023-09-13T15:59:02Z) - 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) - 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) - Parsimonious Physics-Informed Random Projection Neural Networks for
Initial-Value Problems of ODEs and index-1 DAEs [0.0]
非線形ODEのIDPの線形単純形式とインデックス-1DAEの数値解に対するランダムな投影に基づく物理インフォームニューラルネットワークに対処する。
従来のランダムなプロジェクションに関する研究に基づいて、正準形式におけるODEのスキームと半明示形式におけるインデックス-1DAEの近似能力を証明した。
論文 参考訳(メタデータ) (2022-03-10T12:34:46Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z) - 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)
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。