論文の概要: Neural Green's Operators for Parametric Partial Differential Equations

• arxiv url: http://arxiv.org/abs/2406.01857v1
• Date: Tue, 4 Jun 2024 00:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-05 20:32:51.352851
• Title: Neural Green's Operators for Parametric Partial Differential Equations
• Title（参考訳）: パラメトリック部分微分方程式に対するニューラルグリーン演算子
• Authors: Hugo Melchers, Joost Prins, Michael Abdelmalik,
• Abstract要約: この研究は、線形偏微分方程式(PDE)のパラメトリック族に対する解演算子を学習する新しいニューラル演算子ネットワークアーキテクチャであるニューラルグリーン演算子(NGO)を導入する。 NGOはディープ・オペレーター・ネットワーク(DeepONets)や可変ミメティック・オペレーター・ネットワーク(VarMiONs)に類似している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces neural Green's operators (NGOs), a novel neural operator network architecture that learns the solution operator for a parametric family of linear partial differential equations (PDEs). Our construction of NGOs is derived directly from the Green's formulation of such a solution operator. Similar to deep operator networks (DeepONets) and variationally mimetic operator networks (VarMiONs), NGOs constitutes an expansion of the solution to the PDE in terms of basis functions, that is returned from a sub-network, contracted with coefficients, that are returned from another sub-network. However, in accordance with the Green's formulation, NGOs accept weighted averages of the input functions, rather than sampled values thereof, as is the case in DeepONets and VarMiONs. Application of NGOs to canonical linear parametric PDEs shows that, while they remain competitive with DeepONets, VarMiONs and Fourier neural operators when testing on data that lie within the training distribution, they robustly generalize when testing on finer-scale data generated outside of the training distribution. Furthermore, we show that the explicit representation of the Green's function that is returned by NGOs enables the construction of effective preconditioners for numerical solvers for PDEs.
• Abstract（参考訳）: この研究は、線形偏微分方程式(PDE)のパラメトリック族に対する解演算子を学習するニューラルネットワークアーキテクチャであるニューラルグリーン演算子(NGO)を導入している。 我々のNGOの構成は、そのような解作用素のグリーンの定式化から直接導かれる。 ディープ・オペレーター・ネットワーク(DeepONets)や変分ミメティック・オペレーター・ネットワーク(VarMiONs)と同様に、NGOはPDEへの解の拡張を構成する。 しかし、グリーンの定式化に従って、NGOはDeepONetsやVarMiONsのように、サンプル値ではなく入力関数の重み付き平均を受け入れる。 標準線形パラメトリックPDEへのNGOの適用は、トレーニング分布内にあるデータでテストする場合、DeepONets、VarMiONs、Fourierニューラル演算子と競合する一方で、トレーニング分布外のより詳細なデータでテストする場合、堅牢に一般化することを示している。 さらに,NGOによって返却されるグリーン関数の明示的表現により,PDEの数値解法に有効なプレコンディショナーの構築が可能となることを示す。

関連論文リスト

• Variational Green's Functions for Volumetric PDEs [5.958368061748122]
  線形自己共役PDE演算子に対するグリーン関数の滑らかで微分可能な表現を学習する手法を提案する。 グリーン関数の特徴となる鋭い特異点を解決するため、グリーン関数を解析自由空間成分と学習正則成分に分解する。 結果のグリーン関数は、ソースアプリケーションに対して高速に評価され、微分可能であり、幾何学をパラメータ化する他の信号に条件付けすることができる。
  論文  参考訳（メタデータ） (2026-02-12T19:12:44Z)
• Neural Green's Functions [26.725858777761506]
  線形偏微分方程式 (PDE) に対するニューラル解演算子を導入し, 微分演算子は固有分解を許容する。 グリーンの関数にインスパイアされた我々は、ニューラルグリーンの関数を設計し、それらの振舞いを模倣し、様々な不規則な測地とソースおよびバウンダリ関数にまたがる優れた一般化を実現する。
  論文  参考訳（メタデータ） (2025-11-02T09:08:01Z)
• An explainable operator approximation framework under the guideline of Green's function [1.1174586184779578]
  組込みグリーン関数を学習し,グリーンの積分定式化によるPDEを解決するための新しいフレームワークであるGreensONetを導入する。 フレームワークの精度と一般化能力は、既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-12-21T14:31:03Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Self-supervised Pretraining for Partial Differential Equations [0.0]
  本稿では、トランスフォーマーに基づくニューラルネットワークアーキテクチャの最近の進歩を活用し、ニューラルPDEソルバを構築するための新しいアプローチについて述べる。 我々のモデルは、ネットワークを再トレーニングすることなく、PDEパラメータの異なる値に対するソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-07-03T16:39:32Z)
• DeltaPhi: Learning Physical Trajectory Residual for PDE Solving [54.13671100638092]
  我々は,物理軌道残差学習(DeltaPhi)を提案し,定式化する。 既存のニューラル演算子ネットワークに基づく残差演算子マッピングのサロゲートモデルについて学習する。 直接学習と比較して,PDEの解法には物理残差学習が望ましいと結論づける。
  論文  参考訳（メタデータ） (2024-06-14T07:45:07Z)
• Physics-informed Discretization-independent Deep Compositional Operator Network [1.2430809884830318]
  我々はPDEパラメータと不規則領域形状の様々な離散表現に一般化できる新しい物理インフォームドモデルアーキテクチャを提案する。 ディープ・オペレーター・ニューラルネットワークにインスパイアされた我々のモデルは、パラメータの繰り返し埋め込みの離散化に依存しない学習を含む。 提案手法の精度と効率を数値計算により検証した。
  論文  参考訳（メタデータ） (2024-04-21T12:41:30Z)
• GIT-Net: Generalized Integral Transform for Operator Learning [58.13313857603536]
  本稿では、部分微分方程式(PDE)演算子を近似するディープニューラルネットワークアーキテクチャであるGIT-Netを紹介する。 GIT-Netは、PDEを定義するためによく使われる微分作用素が、特殊機能基底で表現されるときに、しばしば同義的に表現されるという事実を利用する。 数値実験により、GIT-Netは競争力のあるニューラルネットワーク演算子であり、様々なPDE問題に対して小さなテストエラーと低い評価を示すことが示された。
  論文  参考訳（メタデータ） (2023-12-05T03:03:54Z)
• 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)
• Resolution-Invariant Image Classification based on Fourier Neural Operators [1.3190581566723918]
  画像分類における一般化ニューラルネットワーク (FNO) の利用について, 標準畳み込みニューラルネットワーク (CNN) と比較して検討した。 我々は、ルベーグ空間上の連続およびFr'echet微分可能なニューラル作用素の例としてFNOアーキテクチャを導出する。
  論文  参考訳（メタデータ） (2023-04-02T10:23:36Z)
• 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)
• Data-driven discovery of Green's functions [0.0]
  この論文は、線形偏微分方程式に関連するグリーン関数を学習するための理論的結果とディープラーニングアルゴリズムを導入している。 この構成は、PDE学習と数値線型代数の分野を結びつける。 レーショナルニューラルネットワーク(NN)は、トレーニング可能な有理活性化機能を持つニューラルネットワークによって導入され、構成されている。
  論文  参考訳（メタデータ） (2022-10-28T09:41:50Z)
• Variationally Mimetic Operator Networks [1.7667202894248826]
  本研究は, 近似変分あるいは弱定式化から得られる数値解の形式を模倣した, 演算子ネットワークのための新しいアーキテクチャについて述べる。 これらのアイデアの汎用楕円型PDEへの応用は、変動緩和作用素ネットワーク(VarMiON)につながる。 VarMiONソリューションにおけるエラーの分析では、トレーニングデータにおけるエラー、トレーニングエラー、入力および出力関数における二次誤差、およびトレーニングデータセットにおけるテスト入力関数と最も近い関数の間の距離を測定する"カバレッジエラー"が含まれていることが明らかになった。
  論文  参考訳（メタデータ） (2022-09-26T17:39:53Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)

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。