論文の概要: G-Adaptivity: optimised graph-based mesh relocation for finite element methods
- arxiv url: http://arxiv.org/abs/2407.04516v2
- Date: Thu, 06 Feb 2025 09:58:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-07 14:29:31.794974
- Title: G-Adaptivity: optimised graph-based mesh relocation for finite element methods
- Title（参考訳）: G適応性:有限要素法のための最適化グラフベースのメッシュ再配置
- Authors: James Rowbottom, Georg Maierhofer, Teo Deveney, Eike Mueller, Alberto Paganini, Katharina Schratz, Pietro Liò, Carola-Bibiane Schönlieb, Chris Budd,
- Abstract要約: メッシュ再配置(r適応性)は、メッシュ幾何学を最適化し、与えられた計算予算で最適解の精度を得る。
最近の機械学習のアプローチは、そのような古典的な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。
有限要素法(FEM)における最適メッシュ転位を実現するための,新しい,効果的なアプローチを提案する。
- 参考スコア（独自算出の注目度）: 20.169049222190853
- License:
- Abstract: We present a novel, and effective, approach to achieve optimal mesh relocation in finite element methods (FEMs). The cost and accuracy of FEMs is critically dependent on the choice of mesh points. Mesh relocation (r-adaptivity) seeks to optimise the mesh geometry to obtain the best solution accuracy at given computational budget. Classical r-adaptivity relies on the solution of a separate nonlinear "meshing" PDE to determine mesh point locations. This incurs significant cost at remeshing, and relies on estimates that relate interpolation- and FEM-error. Recent machine learning approaches have focused on the construction of fast surrogates for such classical methods. Instead, our new approach trains a graph neural network (GNN) to determine mesh point locations by directly minimising the FE solution error from the PDE system Firedrake to achieve higher solution accuracy. Our GNN architecture closely aligns the mesh solution space to that of classical meshing methodologies, thus replacing classical estimates for optimality with a learnable strategy. This allows for rapid and robust training and results in an extremely efficient and effective GNN approach to online r-adaptivity. Our method outperforms both classical, and prior ML, approaches to r-adaptive meshing. In particular, it achieves lower FE solution error, whilst retaining the significant speed-up over classical methods observed in prior ML work.
- Abstract（参考訳）: 有限要素法(FEM)における最適メッシュ再配置を実現するための,新しい,効果的なアプローチを提案する。
FEM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。
メッシュ再配置(r適応性)は、メッシュ幾何学を最適化し、与えられた計算予算で最適解の精度を得る。
古典的な r-適応性は、メッシュ点の位置を決定するために別の非線形「メッシング」PDEの解に依存する。
これは補間とFEMエラーに関連する見積もりに依存するため、リメッシングにおいてかなりのコストがかかる。
最近の機械学習のアプローチは、そのような古典的な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。
代わりに、新しいアプローチでは、グラフニューラルネットワーク(GNN)を使用して、PDEシステムFiredrakeから直接FEソリューションエラーを最小化し、より高いソリューション精度を実現する。
我々のGNNアーキテクチャは、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一致させ、古典的な最適性の見積を学習可能な戦略に置き換える。
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。
提案手法は,従来のMLよりも,r適応メッシュ方式の方が優れている。
特に、以前のML作業で観測された古典的手法よりも大幅な高速化を維持しながら、低いFE解誤差を達成する。
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。