Fugu-MT 論文翻訳(概要): PinnDE: Physics-Informed Neural Networks for Solving Differential Equations

論文の概要: PinnDE: Physics-Informed Neural Networks for Solving Differential Equations

arxiv url: http://arxiv.org/abs/2408.10011v1
Date: Mon, 19 Aug 2024 14:05:28 GMT
ステータス: 処理完了
システム内更新日: 2024-08-20 16:03:38.466649
Title: PinnDE: Physics-Informed Neural Networks for Solving Differential Equations
Title（参考訳）: PinnDE:微分方程式を解く物理インフォームドニューラルネットワーク
Authors: Jason Matthews, Alex Bihlo,
Abstract要約: 我々は、PINNとDeepONetsの両方で微分方程式を解くためのオープンソースのピソンライブラリであるPinnDEを提案する。 PINNとDeepONetsの両方について簡単なレビューを行い、パッケージの構造と使用法とともにPinnDEを紹介し、その効果を示すための実例を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years the study of deep learning for solving differential equations has grown substantially. The use of physics-informed neural networks (PINNs) and deep operator networks (DeepONets) have emerged as two of the most useful approaches in approximating differential equation solutions using machine learning. Here, we propose PinnDE, an open-source python library for solving differential equations with both PINNs and DeepONets. We give a brief review of both PINNs and DeepONets, introduce PinnDE along with the structure and usage of the package, and present worked examples to show PinnDE's effectiveness in approximating solutions with both PINNs and DeepONets.
Abstract（参考訳）: 近年,微分方程式の解法に関する深層学習の研究が盛んに行われている。物理インフォームドニューラルネットワーク(PINN)とディープオペレータネットワーク(DeepONets)の使用は、機械学習を用いた微分方程式解の近似において最も有用な2つのアプローチとして現れている。本稿では、PINNとDeepONetsの両方で微分方程式を解くためのオープンソースのピソンライブラリであるPinnDEを提案する。我々は、PINNとDeepONetsの両方について簡単なレビューを行い、パッケージの構造と使用法とともにPinnDEを紹介し、PinnDEがPINNとDeepONetsの両方でソリューションを近似するのに有効であることを示す。

関連論文リスト

A Survey on Solving and Discovering Differential Equations Using Deep Neural Networks [1.0055663066199056]
常微分方程式と偏微分方程式(DE)は、物理系をモデル化するために科学や数学の分野で広く使われている。現在の文献は主に、特定のDreやDesファミリーを解決するディープニューラルネットワーク(DNN)ベースの方法に焦点を当てている。本稿では,過去の研究を調査,分類し,工学・計算機科学の上級実践者,専門職,大学院生を対象とした教育チュートリアルを提供する。
論文参考訳（メタデータ） (2023-04-26T20:14:25Z)
iPINNs: Incremental learning for Physics-informed neural networks [66.4795381419701]
物理インフォームドニューラルネットワーク(PINN)は、最近偏微分方程式(PDE)を解く強力なツールとなっている。本稿では,新しいタスクのパラメータを追加せずに連続的に複数のタスクを学習できるインクリメンタルPINNを提案する。提案手法は,PDEごとに個別のサブネットワークを作成し,従来のサブネットワークと重なり合うようにすることで,最も単純なPDEから複数のPDEを学習する。
論文参考訳（メタデータ） (2023-04-10T20:19:20Z)
A physics-informed neural network framework for modeling obstacle-related equations [3.687313790402688]
物理インフォームドニューラルネットワーク(PINN)は、スパースデータとノイズデータに基づいて偏微分方程式を解く魅力的なツールである。ここでは、PINNを拡張して障害物関連PDEを解くことで、計算上の大きな課題を提示します。提案したPINNの性能は、正規および不規則な障害物を受ける線形および非線形PDEの複数のシナリオで実証される。
論文参考訳（メタデータ） (2023-04-07T09:22:28Z)
SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition [24.422082821785487]
1つのニューラルネットワークは1つの偏微分方程式に対応する。実際には、私たちは通常、PDEのクラスを1つだけでなく1つのクラスで解決する必要があります。本稿では,特異ベクトルの保持と特異値の最適化によるPINNの転送学習手法を提案する。
論文参考訳（メタデータ） (2022-11-16T08:46:10Z)
PhyGNNet: Solving spatiotemporal PDEs with Physics-informed Graph Neural Network [12.385926494640932]
本稿では,グラフニューラルネットワークの基本値から偏微分方程式を解くためのPhyGNNetを提案する。特に、計算領域を正規グリッドに分割し、グリッド上の偏微分演算子を定義し、PhyGNNetモデルを構築する最適化のためにネットワークのpde損失を構築する。
論文参考訳（メタデータ） (2022-08-07T13:33:34Z)
Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文参考訳（メタデータ） (2022-05-27T03:24:31Z)
Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method [70.19159220248805]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
論文参考訳（メタデータ） (2022-05-18T06:50:44Z)
Improved Training of Physics-Informed Neural Networks with Model Ensembles [81.38804205212425]
我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。提案手法は, 得られた解の精度を向上させることができることを示す。
論文参考訳（メタデータ） (2022-04-11T14:05:34Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
IDRLnet: A Physics-Informed Neural Network Library [9.877979064734802]
物理情報ニューラルネットワーク(英: Physics Informed Neural Network, PINN)は、前方および逆問題の両方を解決するために使用される科学計算フレームワークである。本稿では,PINNによる問題をモデル化および解決するためのPythonツールボックスであるIDRLnetを紹介する。
論文参考訳（メタデータ） (2021-07-09T09:18:35Z)
dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。