Fugu-MT 論文翻訳(概要): Neural Green's Operators for Parametric Partial Differential Equations

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

arxiv url: http://arxiv.org/abs/2406.01857v4
Date: Mon, 20 Oct 2025 09:59:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:38.049541
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、グリーン作用素の有限次元表現から導かれるパラメトリック・ニューラル作用素を構築するためのパラダイムを導入する。我々はニューラルグリーン作用素 (Neural Green's Operators, NGOs) と呼ぶ。
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 a paradigm for constructing parametric neural operators that are derived from finite-dimensional representations of Green's operators, with learnable Green's functions, for linear partial differential equations (PDEs). We refer to such neural operators as Neural Green's Operators (NGOs). Our construction of NGOs preserves the linear action of Green's operators on the inhomogeneity fields, while approximating the nonlinear dependence of the Green's function on the coefficients of the PDE using neural networks that take weighted averages of such coefficients as input. This construction reduces the complexity of the problem from learning the entire solution operator and its dependence on all parameters to only learning the Green's function and its dependence on the PDE coefficients. Moreover, taking weighted averages, rather than point samples, of input functions decouples the network size from the number of sampling points, enabling efficient resolution of multiple scales in the input fields. Furthermore, we show that our explicit representation of Green's functions enables the embedding of desirable mathematical attributes in our NGO architectures, such as symmetry, spectral, and conservation properties. Through numerical benchmarks on canonical PDEs, we demonstrate that NGOs achieve comparable or superior accuracy to deep operator networks, variationally mimetic operator networks, and Fourier neural operators with similar parameter counts, while generalizing significantly better when tested on out-of-distribution data. For time-dependent PDEs, we show that NGOs can produce pointwise-accurate dynamics in an auto-regressive manner when trained on a single time step. Finally, we show that we can leverage the explicit representation of Green's functions returned by NGOs to construct effective matrix preconditioners that accelerate iterative solvers for PDEs.
Abstract（参考訳）: この研究は、線形偏微分方程式(PDE)に対して、学習可能なグリーン関数を持つグリーン作用素の有限次元表現から導出されるパラメトリック・ニューラル作用素を構築するためのパラダイムを導入する。ニューラルグリーン作用素(Neural Green's Operators, NGO)と呼ぶ。我々のNGOの構成は、グリーン関数の非線形依存をPDEの係数に近似しながら、グリーン演算子の不均一性に対する線形作用を保ち、そのような係数の重み付け平均を入力とするニューラルネットワークを用いて保存する。この構成により、解演算子全体の学習と全てのパラメータへの依存からグリーン関数の学習とPDE係数への依存まで、問題の複雑さが軽減される。さらに,入力関数の重み付き平均値を用いてサンプリング点数からネットワークサイズを分離し,入力フィールドにおける複数スケールの効率的な解法を実現する。さらに, グリーン関数の明示的な表現により, 対称性, スペクトル, 保存特性など, 望ましい数学的属性をNGOアーキテクチャに埋め込むことが可能であることを示す。標準PDEの数値ベンチマークにより、NGOは、分布外データでテストした場合にかなり優れた一般化をしながら、深部演算子ネットワーク、変動緩和演算子ネットワーク、および類似のパラメータ数を持つフーリエニューラル演算子に匹敵する精度または優れた精度を達成できることを示した。時間依存型PDEでは、単一時間ステップでトレーニングすると、NGOが自動回帰方式でポイントワイズ精度のダイナミクスを生成できることが示される。最後に、NGOによって返されるグリーン関数の明示的な表現を利用して、PDEの反復解を高速化する効果的な行列事前条件を構築することができることを示す。

関連論文リスト

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)
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)
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)

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。