論文の概要: Approximating Families of Sharp Solutions to Fisher's Equation with Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2402.08313v2
• Date: Tue, 19 Nov 2024 15:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:33:24.539004
• Title: Approximating Families of Sharp Solutions to Fisher's Equation with Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークによるシャープ解のフィッシャー方程式への近似
• Authors: Franz M. Rohrhofer, Stefan Posch, Clemens Gößnitzer, Bernhard C. Geiger,
• Abstract要約: 本稿では,フィッシャー方程式の解法として物理インフォームドニューラルネットワーク(PINN)を用いる。 主眼は、大きな反応速度係数の条件下でのフィッシャー方程式の研究である。 ネットワークトレーニングにおいて、標準のPINNアプローチに関連する問題を軽減するために、残留重み付け方式が導入された。
• 参考スコア（独自算出の注目度）: 8.487185704099925
• License:
• Abstract: This paper employs physics-informed neural networks (PINNs) to solve Fisher's equation, a fundamental reaction-diffusion system with both simplicity and significance. The focus is on investigating Fisher's equation under conditions of large reaction rate coefficients, where solutions exhibit steep traveling waves that often present challenges for traditional numerical methods. To address these challenges, a residual weighting scheme is introduced in the network training to mitigate the difficulties associated with standard PINN approaches. Additionally, a specialized network architecture designed to capture traveling wave solutions is explored. The paper also assesses the ability of PINNs to approximate a family of solutions by generalizing across multiple reaction rate coefficients. The proposed method demonstrates high effectiveness in solving Fisher's equation with large reaction rate coefficients and shows promise for meshfree solutions of generalized reaction-diffusion systems.
• Abstract（参考訳）: 本稿では, 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, 単純さと重要性を両立した基本的反応拡散系であるフィッシャー方程式を解く。 その焦点は、大きな反応速度係数の条件下でフィッシャーの方程式を調査することであり、そこでは溶液が急な進行波を示し、しばしば従来の数値手法の課題を示す。 これらの課題に対処するために、ネットワークトレーニングにおいて、標準のPINNアプローチに関連する問題を軽減するために、残留重み付け方式が導入された。 さらに、進行波の解を捉えるために設計された特殊なネットワークアーキテクチャについて検討した。 また、複数の反応速度係数をまたいで一般化することにより、PINNが解の族を近似する能力を評価する。 提案手法は, 反応速度係数が大きいフィッシャー方程式の解法において高い有効性を示し, 一般反応拡散系のメッシュフリー解法が期待できることを示す。

関連論文リスト

• Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。 しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。 ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
  論文  参考訳（メタデータ） (2024-11-15T08:55:31Z)
• Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
  PINNは2+1次元非線形偏微分方程式の渦解の研究に用いられる。 保存法則(cPINN)、初期プロファイルの変形、および識別の解像度を改善するための摩擦アプローチを考察する。
  論文  参考訳（メタデータ） (2024-10-23T08:29:13Z)
• Residual resampling-based physics-informed neural network for neutron diffusion equations [7.105073499157097]
  中性子拡散方程式は原子炉の解析において重要な役割を果たす。 従来のPINNアプローチでは、完全に接続されたネットワーク(FCN)アーキテクチャを利用することが多い。 R2-PINNは、現在の方法に固有の制限を効果的に克服し、中性子拡散方程式のより正確で堅牢な解を提供する。
  論文  参考訳（メタデータ） (2024-06-23T13:49:31Z)
• 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)
• Operator Learning Enhanced Physics-informed Neural Networks for Solving Partial Differential Equations Characterized by Sharp Solutions [10.999971808508437]
  そこで我々は,OL-PINN(Operator Learning Enhanced Physics-informed Neural Networks)と呼ばれる新しいフレームワークを提案する。 提案手法は, 強い一般化能力を実現するために, 少数の残差点しか必要としない。 精度を大幅に向上すると同時に、堅牢なトレーニングプロセスも保証する。
  論文  参考訳（メタデータ） (2023-10-30T14:47:55Z)
• Quantum-inspired optimization for wavelength assignment [51.55491037321065]
  波長割当問題を解くための量子インスピレーションアルゴリズムを提案し,開発する。 本研究は,電気通信における現実的な問題に対する量子インスパイアされたアルゴリズムの活用の道筋をたどるものである。
  論文  参考訳（メタデータ） (2022-11-01T07:52:47Z)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• Improved Training of Physics-Informed Neural Networks with Model Ensembles [81.38804205212425]
  我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。 すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。 提案手法は, 得られた解の精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-11T14:05:34Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• A Physics Informed Neural Network Approach to Solution and Identification of Biharmonic Equations of Elasticity [0.0]
  本研究では,エアリーストレス関数とフーリエ級数を組み合わせた物理情報ニューラルネットワーク(PINN)の適用について検討する。 両高調波PDEに対するPINNソリューションの精度は, エアリー応力関数による特徴空間の強化により著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-08-16T17:19:50Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)

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。