Fugu-MT 論文翻訳(概要): Annealing-based approach to solving partial differential equations

論文の概要: Annealing-based approach to solving partial differential equations

arxiv url: http://arxiv.org/abs/2406.17364v3
Date: Fri, 08 Nov 2024 23:14:59 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:03:05.826598
Title: Annealing-based approach to solving partial differential equations
Title（参考訳）: アニーリングに基づく偏微分方程式の解法
Authors: Kazue Kudo,
Abstract要約: PDE の離散化は線形方程式の系をもたらす。一般的な固有値問題は最適化問題に変換することができる。提案アルゴリズムは反復計算を必要とする。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Solving partial differential equations (PDEs) using an annealing-based approach involves solving generalized eigenvalue problems. Discretizing a PDE yields a system of linear equations (SLE). Solving an SLE can be formulated as a general eigenvalue problem, which can be transformed into an optimization problem with an objective function given by a generalized Rayleigh quotient. The proposed algorithm requires iterative computations. However, it enables efficient annealing-based computation of eigenvectors to arbitrary precision without increasing the number of variables. Investigations using simulated annealing demonstrate how the number of iterations scales with system size and annealing time. Computational performance depends on system size, annealing time, and problem characteristics.
Abstract（参考訳）: 熱処理に基づくアプローチを用いて偏微分方程式(PDE)を解くには、一般化された固有値問題を解く必要がある。 PDE の離散化は線形方程式(SLE)の系をもたらす。 SLEの解法は一般固有値問題として定式化することができ、一般化されたレイリー商によって与えられる目的関数の最適化問題に変換することができる。提案アルゴリズムは反復計算を必要とする。しかし、これは変数数を増やすことなく、固有ベクトルの効率的なアニーリングに基づく計算を任意の精度で行うことができる。模擬アニーリングを用いた調査では、イテレーションの数がシステムサイズやアニーリング時間とともにどのようにスケールするかが示されている。計算性能は、システムサイズ、アニール時間、問題特性に依存する。

関連論文リスト

Gaussian Process Regression for Inverse Problems in Linear PDEs [7.793266750812356]
本稿では,線形偏微分方程式(PDE)に支配される逆問題に対するシステム理論における計算効率のよいアルゴリズムを提案する。例えば、物理学で広く使われている古典波動方程式のノイズデータから波速を識別する。
論文参考訳（メタデータ） (2025-02-06T18:20:38Z)
Explicit near-optimal quantum algorithm for solving the advection-diffusion equation [0.0]
散逸初期値問題をモデル化するための明示的な量子アルゴリズムを提案する。本稿では,和指数への依存度を三角関数に変換する単純な座標変換に基づく量子回路を提案する。提案アルゴリズムは,非単項初期値問題の幅広いクラスをモデル化するために利用できる。
論文参考訳（メタデータ） (2025-01-19T19:03:29Z)
Nonlinear Operator Learning Using Energy Minimization and MLPs [0.5898893619901381]
偏微分方程式による非線形問題に対する解演算子学習法を開発し,評価する。アプローチは有限要素の離散化に基づいており、潜伏変数を入力とする反復によって解演算子を表現することを目的としている。
論文参考訳（メタデータ） (2024-12-05T20:19:16Z)
Warm Start Marginal Likelihood Optimisation for Iterative Gaussian Processes [30.475300015723256]
反復ガウス過程に対する限界確率最適化の3レベル階層を導入する。次に,線形システムソルバの解を次のステップで初期化として再利用することにより,計算の補正を提案する。
論文参考訳（メタデータ） (2024-05-28T16:22:18Z)
Parallel-in-Time Probabilistic Numerical ODE Solvers [35.716255949521305]
常微分方程式(ODE)の確率論的数値解法は、力学系の数値シミュレーションをベイズ状態推定の問題として扱う。我々は,反復拡張カルマンスムーダの時間並列定式化に基づいて,並列時間確率数値ODEソルバを定式化する。
論文参考訳（メタデータ） (2023-10-02T12:32:21Z)
Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文参考訳（メタデータ） (2023-06-05T21:08:34Z)
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)
Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文参考訳（メタデータ） (2022-07-28T19:59:14Z)
Analysis of Truncated Orthogonal Iteration for Sparse Eigenvector Problems [78.95866278697777]
本研究では,多元的固有ベクトルを分散制約で同時に計算するTruncated Orthogonal Iterationの2つの変種を提案する。次に,我々のアルゴリズムを適用して,幅広いテストデータセットに対するスパース原理成分分析問題を解く。
論文参考訳（メタデータ） (2021-03-24T23:11:32Z)
The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文参考訳（メタデータ） (2021-01-16T17:11:02Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。