論文の概要: Optimized neural forms for solving ordinary differential equations
- arxiv url: http://arxiv.org/abs/2404.19454v1
- Date: Tue, 30 Apr 2024 11:10:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 14:34:58.854510
- Title: Optimized neural forms for solving ordinary differential equations
- Title（参考訳）: 常微分方程式を解くための最適化ニューラルフォーム
- Authors: Adam D. Kypriadis, Isaac E. Lagaris, Aristidis Likas, Konstantinos E. Parsopoulos,
- Abstract要約: ニューラルネットワークを用いた常微分方程式の近似解における重要な問題は、境界条件や初期条件の正確な満足度である。
本稿では、最適化されたニューラルフォームを作成するための新しいフォーマリズムを提案する。
また、正確な解から絶対偏差の上限を確立する方法も概説している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A critical issue in approximating solutions of ordinary differential equations using neural networks is the exact satisfaction of the boundary or initial conditions. For this purpose, neural forms have been introduced, i.e., functional expressions that depend on neural networks which, by design, satisfy the prescribed conditions exactly. Expanding upon prior progress, the present work contributes in three distinct aspects. First, it presents a novel formalism for crafting optimized neural forms. Second, it outlines a method for establishing an upper bound on the absolute deviation from the exact solution. Third, it introduces a technique for converting problems with Neumann or Robin conditions into equivalent problems with parametric Dirichlet conditions. The proposed optimized neural forms were numerically tested on a set of diverse problems, encompassing first-order and second-order ordinary differential equations, as well as first-order systems. Stiff and delay differential equations were also considered. The obtained solutions were compared against solutions obtained via Runge-Kutta methods and exact solutions wherever available. The reported results and analysis verify that in addition to the exact satisfaction of the boundary or initial conditions, optimized neural forms provide closed-form solutions of superior interpolation capability and controllable overall accuracy.
- Abstract（参考訳）: ニューラルネットワークを用いた常微分方程式の近似解における重要な問題は、境界条件や初期条件の正確な満足度である。
この目的のために、ニューラルネットワークに依存する機能表現、すなわち、設計によって所定の条件を正確に満たす機能表現が導入された。
先行する進歩により、本研究は3つの異なる側面に寄与する。
まず、最適化されたニューラルフォームを作るための新しいフォーマリズムを示す。
第二に、正確な解から絶対偏差の上限を確立する方法の概要を示す。
第三に、ノイマン条件やロビン条件の問題をパラメトリックディリクレ条件の等価問題に変換する手法を導入する。
提案した最適化されたニューラルフォームは、一階と二階の常微分方程式と一階のシステムを含む様々な問題に対して数値的に試験された。
剛性および遅延微分方程式も検討された。
得られた解は, ルンゲ・クッタ法を用いて得られる解と, 利用可能な正確な解とを比較した。
報告された結果と分析により、境界条件や初期条件の正確な満足度に加えて、最適化されたニューラルフォームは、優れた補間能力と制御可能な全体的な精度のクローズドフォームソリューションを提供することを確認した。
関連論文リスト
- Exact and approximate error bounds for physics-informed neural networks [1.236974227340167]
非線形一階ODEの物理インフォームドニューラルネットワーク(PINN)の誤差境界計算における重要な進歩を報告する。
PINN法が非線形一階ODEに対して提供する解の誤差を記述する一般表現を与える。
本稿では,一般の場合の近似境界と特定の場合の正確な境界を計算する手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T05:15:28Z) - Transformed Physics-Informed Neural Networks for The Convection-Diffusion Equation [0.0]
特異な摂動問題には、数値的に解くのが難しい急な境界層を持つ解が存在する。
有限差分法のような従来の数値法は、安定かつ正確な解を得るために洗練されたメッシュを必要とする。
我々は,物理インフォームドニューラルネットワーク(PINN)を用いて特異摂動問題の数値解を生成することを検討する。
論文 参考訳（メタデータ） (2024-09-12T00:24:21Z) - A Deep Learning Framework for Solving Hyperbolic Partial Differential
Equations: Part I [0.0]
本研究では,非線形PDEの解を近似する物理情報深層学習フレームワークの開発に焦点をあてる。
この枠組みは、境界条件(ノイマン/ディリクレ)、エントロピー条件、および正則性要件の仮定を自然に扱う。
論文 参考訳（メタデータ） (2023-07-09T08:27:17Z) - Comparison of Single- and Multi- Objective Optimization Quality for
Evolutionary Equation Discovery [77.34726150561087]
進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。
提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
論文 参考訳（メタデータ） (2023-06-29T15:37:19Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - 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) - Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。
関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。
この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文 参考訳（メタデータ） (2022-10-15T17:32:49Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - Galerkin Neural Networks: A Framework for Approximating Variational
Equations with Error Control [0.0]
本稿では,ニューラルネットワークを用いて変分方程式の解を近似する手法を提案する。
基本関数がニューラルネットワークの列の実現である有限次元部分空間の列を用いる。
論文 参考訳（メタデータ） (2021-05-28T20:25:40Z) - Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。
解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
論文 参考訳（メタデータ） (2021-03-15T17:26:34Z) - Solving Differential Equations Using Neural Network Solution Bundles [1.2891210250935146]
本稿では,様々な初期状態とシステムパラメータに対して,ソリューションバンドル,ODEに対するソリューションの集合として使用するニューラルネットワークを提案する。
解バンドルはシステム状態の高速かつ並列化可能な評価を示し、パラメータ推定にベイズ推論を使用するのを容易にする。
論文 参考訳（メタデータ） (2020-06-17T02:44:10Z)
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。