論文の概要: G-Adaptive mesh refinement -- leveraging graph neural networks and differentiable finite element solvers
- arxiv url: http://arxiv.org/abs/2407.04516v1
- Date: Fri, 5 Jul 2024 13:57:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 13:20:52.759246
- Title: G-Adaptive mesh refinement -- leveraging graph neural networks and differentiable finite element solvers
- Title（参考訳）: G-Adaptive Mesh refinement -- グラフニューラルネットワークと微分可能な有限要素ソルバを活用する
- Authors: James Rowbottom, Georg Maierhofer, Teo Deveney, Katharina Schratz, Pietro Liò, Carola-Bibiane Schönlieb, Chris Budd,
- Abstract要約: メッシュ再配置(r適応性)は、最適なFE解精度を得るために、固定数のメッシュポイントの位置を最適化しようとする。
r適応性に対する最近の機械学習アプローチは、主にそのような古典的手法のための高速なサロゲートの構築に焦点を当てている。
我々の新しいアプローチは、グラフニューラルネットワーク(GNN)によるアーキテクチャと、FEソリューションエラーの直接最小化に基づくトレーニングを組み合わせたものです。
- 参考スコア（独自算出の注目度）: 21.82887690060956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel, and effective, approach to the long-standing problem of mesh adaptivity in finite element methods (FEM). FE solvers are powerful tools for solving partial differential equations (PDEs), but their cost and accuracy are critically dependent on the choice of mesh points. To keep computational costs low, mesh relocation (r-adaptivity) seeks to optimise the position of a fixed number of mesh points to obtain the best FE solution accuracy. Classical approaches to this problem require the solution of a separate nonlinear "meshing" PDE to find the mesh point locations. This incurs significant cost at remeshing and relies on certain a-priori assumptions and guiding heuristics for optimal mesh point location. Recent machine learning approaches to r-adaptivity have mainly focused on the construction of fast surrogates for such classical methods. Our new approach combines a graph neural network (GNN) powered architecture, with training based on direct minimisation of the FE solution error with respect to the mesh point locations. The GNN employs graph neural diffusion (GRAND), closely aligning the mesh solution space to that of classical meshing methodologies, thus replacing heuristics with a learnable strategy, and providing a strong inductive bias. This allows for rapid and robust training and results in an extremely efficient and effective GNN approach to online r-adaptivity. This method outperforms classical and prior ML approaches to r-adaptive meshing on the test problems we consider, in particular achieving lower FE solution error, whilst retaining the significant speed-up over classical methods observed in prior ML work.
- Abstract（参考訳）: 本稿では,有限要素法(FEM)におけるメッシュ適応性という長年の課題に対して,新しい,効果的なアプローチを提案する。
FEソルバは偏微分方程式(PDE)を解く強力なツールであるが、そのコストと精度はメッシュポイントの選択に大きく依存する。
計算コストを低く抑えるため、メッシュ再配置(r適応性)は固定数のメッシュポイントの位置を最適化し、最高のFEソリューション精度を得る。
この問題に対する古典的なアプローチは、メッシュポイントの位置を見つけるために、別の非線形「メッシング」PDEの解を必要とする。
このことは、特定のアプリオリ仮定と最適メッシュ点位置の誘導ヒューリスティックに頼り、リメッシングのかなりのコストを発生させる。
r適応性に対する最近の機械学習アプローチは、主にそのような古典的手法のための高速なサロゲートの構築に焦点を当てている。
我々の新しいアプローチは、グラフニューラルネットワーク(GNN)によるアーキテクチャと、メッシュポイント位置に関するFEソリューションエラーの直接最小化に基づくトレーニングを組み合わせたものです。
GNNはグラフニューラルネットワーク拡散(GRAND)を採用し、メッシュソリューション空間を古典的なメッシュ手法と密接に整合させ、ヒューリスティックを学習可能な戦略に置き換え、強い帰納バイアスを与える。
これにより、迅速で堅牢なトレーニングが可能になり、結果としてオンラインr-adaptivityに対する極めて効率的で効果的なGNNアプローチが実現される。
この手法は、従来のMLの手法よりも高い高速化を維持しつつ、特に低いFE解誤差を達成することを考えるテスト問題に対して、古典的および先行的なMLアプローチよりも優れたr適応的メッシュ化を実現する。
関連論文リスト
- An Adaptive Collocation Point Strategy For Physics Informed Neural Networks via the QR Discrete Empirical Interpolation Method [1.2289361708127877]
QR離散経験補間法(QR-DEIM)を用いた適応的コロケーション点選択法を提案する。
我々のQR-DEIMに基づく手法は既存の手法と比較してPINNの精度を向上することを示した。
論文 参考訳（メタデータ） (2025-01-13T21:24:15Z) - GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
グラフ拡散型ソリューション生成(GDSG)法を提案する。
このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。
グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
論文 参考訳（メタデータ） (2024-12-11T11:13:43Z) - PACMANN: Point Adaptive Collocation Method for Artificial Neural Networks [44.99833362998488]
PINNは、一組のコロケーションポイントに対して決定されたPDE残差を含む損失関数を最小化する。
これまでの研究では、これらのコロケーションポイントの数と分布がPINNソリューションの精度に大きな影響を与えることが示されている。
ニューラルネットワーク(PACMANN)のための点適応コロケーション法を提案する。
論文 参考訳（メタデータ） (2024-11-29T11:31:11Z) - Achieving Constraints in Neural Networks: A Stochastic Augmented
Lagrangian Approach [49.1574468325115]
DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。
制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。
我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
論文 参考訳（メタデータ） (2023-10-25T13:55:35Z) - DMF-TONN: Direct Mesh-free Topology Optimization using Neural Networks [4.663709549795511]
本研究では、密度場近似ニューラルネットワークと変位場近似ニューラルネットワークを統合することで、トポロジ最適化を行うための直接メッシュフリー手法を提案する。
この直接積分手法は従来のトポロジ最適化手法に匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-05-06T18:04:51Z) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳（メタデータ） (2022-07-08T18:17:06Z) - M2N: Mesh Movement Networks for PDE Solvers [17.35053721712421]
PDEソルバのための学習ベースエンドツーエンドメッシュ移動フレームワークを提案する。
主な要件は、メッシュの緩和、バウンダリ一貫性、さまざまな解像度のメッシュへの一般化である。
我々は定常・時間依存・線形・非線形方程式について検証する。
論文 参考訳（メタデータ） (2022-04-24T04:23:31Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - A hybrid MGA-MSGD ANN training approach for approximate solution of
linear elliptic PDEs [0.0]
MGA-MSGD(Modified Genetic-Multilevel Gradient Descent)トレーニングアルゴリズムを導入しました。
ANNによるPDEによって記述された3次元機械的問題の精度と効率を大幅に改善する。
論文 参考訳（メタデータ） (2020-12-18T10:59:07Z) - Optimizing Mode Connectivity via Neuron Alignment [84.26606622400423]
経験的に、損失関数の局所ミニマは、損失がほぼ一定であるようなモデル空間の学習曲線で接続することができる。
本稿では,ネットワークの重み変化を考慮し,対称性がランドスケープ・コネクティビティに与える影響を明らかにするための,より一般的な枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-05T02:25:23Z) - Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。
この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。
この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文 参考訳（メタデータ） (2020-08-19T12:35:55Z)
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。