論文の概要: Macroscopic auxiliary asymptotic preserving neural networks for the
linear radiative transfer equations
- arxiv url: http://arxiv.org/abs/2403.01820v1
- Date: Mon, 4 Mar 2024 08:10:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:38:50.527193
- Title: Macroscopic auxiliary asymptotic preserving neural networks for the
linear radiative transfer equations
- Title（参考訳）: 線形放射伝達方程式のためのマクロ補助漸近保存ニューラルネットワーク
- Authors: Hongyan Li, Song Jiang, Wenjun Sun, Liwei Xu, Guanyu Zhou
- Abstract要約: 時間依存線形放射移動方程式を解くために, マクロスコピック補助漸近保存ニューラルネットワーク (MA-APNN) 法を開発した。
我々はMA-APNNの有効性を示す数値的な例をいくつか提示する。
- 参考スコア（独自算出の注目度）: 3.585855304503951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a Macroscopic Auxiliary Asymptotic-Preserving Neural Network
(MA-APNN) method to solve the time-dependent linear radiative transfer
equations (LRTEs), which have a multi-scale nature and high dimensionality. To
achieve this, we utilize the Physics-Informed Neural Networks (PINNs) framework
and design a new adaptive exponentially weighted Asymptotic-Preserving (AP)
loss function, which incorporates the macroscopic auxiliary equation that is
derived from the original transfer equation directly and explicitly contains
the information of the diffusion limit equation. Thus, as the scale parameter
tends to zero, the loss function gradually transitions from the transport state
to the diffusion limit state. In addition, the initial data, boundary
conditions, and conservation laws serve as the regularization terms for the
loss. We present several numerical examples to demonstrate the effectiveness of
MA-APNNs.
- Abstract（参考訳）: 我々は,マルチスケールの性質と高次元性を有する時間依存線形放射移動方程式(LRTE)を解くために,MA-APNN法を開発した。
これを実現するために,Physics-Informed Neural Networks (PINNs) フレームワークを用いて,拡散限界方程式の情報を直接的かつ明示的に含むマクロ的補助方程式を組み込んだ,適応的に指数関数的に重み付けされた漸近保存(AP)損失関数を設計する。
したがって、スケールパラメータがゼロになる傾向にあるため、損失関数は輸送状態から拡散限界状態へと徐々に遷移する。
さらに、初期データ、境界条件、および保存法は、損失の正規化用語として機能する。
本稿では,ma-apnnの有効性を示す数値例を示す。
関連論文リスト
- Coupled Integral PINN for conservation law [1.9720482348156743]
The Physics-Informed Neural Network (PINN) は、様々な偏微分方程式を解く革新的な手法である。
本稿では,ニューラルネットワークを用いた積分解方程式の組込みを含む,結合統合型PINN手法を提案する。
論文 参考訳（メタデータ） (2024-11-18T04:32:42Z) - Gradient Flow Based Phase-Field Modeling Using Separable Neural Networks [1.2277343096128712]
勾配流問題の解法として, 位相場の分離可能なニューラルネットワークによる近似を最小化運動方式で提案する。
提案手法は相分離問題に対する最先端の機械学習手法よりも優れている。
論文 参考訳（メタデータ） (2024-05-09T21:53:27Z) - A Mean-Field Analysis of Neural Stochastic Gradient Descent-Ascent for Functional Minimax Optimization [90.87444114491116]
本稿では,超パラメトリック化された2層ニューラルネットワークの無限次元関数クラス上で定義される最小最適化問題について検討する。
i) 勾配降下指数アルゴリズムの収束と, (ii) ニューラルネットワークの表現学習に対処する。
その結果、ニューラルネットワークによって誘導される特徴表現は、ワッサーシュタイン距離で測定された$O(alpha-1)$で初期表現から逸脱することが許された。
論文 参考訳（メタデータ） (2024-04-18T16:46:08Z) - Capturing the Diffusive Behavior of the Multiscale Linear Transport
Equations by Asymptotic-Preserving Convolutional DeepONets [31.88833218777623]
Asymptotic-Preserving Convolutional Deep Operator Networks (APCONs) について紹介する。
本研究では,グローバルな熱カーネルの代わりに複数のローカルな畳み込み演算を用いた畳み込みディープオペレータネットワークを提案する。
我々のAPCON法は, グリッドサイズに依存しないパラメータ数を持ち, 線形輸送問題の拡散挙動を捉えることができる。
論文 参考訳（メタデータ） (2023-06-28T03:16:45Z) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳（メタデータ） (2023-04-28T17:28:18Z) - A model-data asymptotic-preserving neural network method based on
micro-macro decomposition for gray radiative transfer equations [4.220781196806984]
非線形灰色の放射伝達方程式(GRTE)を解くためのモデルデータ保存ニューラルネットワーク(MD-APNN)を提案する。
論文 参考訳（メタデータ） (2022-12-11T15:08:09Z) - A Functional-Space Mean-Field Theory of Partially-Trained Three-Layer
Neural Networks [49.870593940818715]
本稿では,第1層がランダムで固定された3層NNモデルの無限幅限界について検討する。
我々の理論はモデルの異なるスケーリング選択に対応しており、結果としてMF制限の2つの条件が顕著な振舞いを示す。
論文 参考訳（メタデータ） (2022-10-28T17:26:27Z) - Neuro-symbolic partial differential equation solver [0.0]
本稿では,科学計算における数値離散化からメッシュフリーなニューロシンボリック偏微分方程式解法を開発するための戦略を提案する。
この戦略は、解関数と微分演算子のモデル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という点でユニークなものである。
論文 参考訳（メタデータ） (2022-10-25T22:56:43Z) - Physics-Informed Neural Network Method for Parabolic Differential
Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。
ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。
本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文 参考訳（メタデータ） (2022-08-18T05:00:24Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - 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)
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。