論文の概要: Non-overlapping, Schwarz-type Domain Decomposition Method for Physics and Equality Constrained Artificial Neural Networks
- arxiv url: http://arxiv.org/abs/2409.13644v1
- Date: Fri, 20 Sep 2024 16:48:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 06:08:43.903816
- Title: Non-overlapping, Schwarz-type Domain Decomposition Method for Physics and Equality Constrained Artificial Neural Networks
- Title（参考訳）: 物理・等質制約ニューラルネットワークのための重複しないシュワルツ型領域分割法
- Authors: Qifeng Hu, Shamsulhaq Basir, Inanc Senocak,
- Abstract要約: 一般化されたインタフェース条件を用いた非重複型シュワルツ型ドメイン分解法を提案する。
本手法は各サブドメインにおける物理と等価制約付き人工ニューラルネットワーク(PECANN)を利用する。
提案手法の一般化能力と強靭な並列性能を,前方および逆問題にまたがって示す。
- 参考スコア（独自算出の注目度）: 0.24578723416255746
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a non-overlapping, Schwarz-type domain decomposition method employing a generalized interface condition, tailored for physics-informed machine learning of partial differential equations (PDEs) in both forward and inverse scenarios. Our method utilizes physics and equality constrained artificial neural networks (PECANN) in each subdomain. Diverging from the original PECANN method, which uses initial and boundary conditions to constrain the PDEs alone, our method jointly employs both the boundary conditions and PDEs to constrain a specially formulated generalized interface loss function for each subdomain. This modification enhances the learning of subdomain-specific interface parameters, while delaying information exchange between neighboring subdomains, and thereby significantly reduces communication overhead. By utilizing an augmented Lagrangian method with a conditionally adaptive update strategy, the constrained optimization problem in each subdomain is transformed into a dual unconstrained problem. This approach enables neural network training without the need for ad-hoc tuning of model parameters. We demonstrate the generalization ability and robust parallel performance of our method across a range of forward and inverse problems, with solid parallel scaling performance up to 32 processes using the Message Passing Interface model. A key strength of our approach is its capability to solve both Laplace's and Helmholtz equations with multi-scale solutions within a unified framework, highlighting its broad applicability and efficiency.
- Abstract（参考訳）: 本稿では,偏微分方程式(PDE)の物理インフォームド機械学習に適した,一般化されたインタフェース条件を用いた非重複型シュワルツ型領域分解法を提案する。
本手法は,各サブドメインにおける物理と等価制約付き人工ニューラルネットワーク(PECANN)を利用する。
PDEのみを制約するために初期条件と境界条件を用いるPECANN法から分岐し,PDEと境界条件を併用し,各サブドメインに対して特殊に定式化された汎用インターフェース損失関数を制約する。
この修正により、隣接するサブドメイン間の情報交換を遅らせる一方で、サブドメイン固有のインタフェースパラメータの学習が促進され、通信オーバーヘッドが大幅に減少する。
拡張ラグランジアン法を条件適応更新戦略で利用することにより、各サブドメインにおける制約付き最適化問題を2つの制約なし問題に変換する。
このアプローチは、モデルパラメータのアドホックなチューニングを必要とせずに、ニューラルネットワークのトレーニングを可能にする。
メッセージ・パッシング・インタフェース・モデルを用いて, 並列スケーリング性能を32プロセスまで高めながら, 様々な前方および逆問題にまたがって, メソッドの一般化能力と堅牢な並列性能を実証する。
このアプローチの重要な強みは、Laplace 方程式と Helmholtz 方程式を統一されたフレームワーク内で複数スケールの解で解く能力である。
関連論文リスト
- Symmetry group based domain decomposition to enhance physics-informed neural networks for solving partial differential equations [3.3360424430642848]
我々は、リー対称性群を有するPDEの前方および逆問題を解くために、PINNを強化するための対称性群に基づく領域分解戦略を提案する。
前方問題に対して、まず対称群を配置し、フレキシブルに調整可能な既知の解情報を有する分割線を生成する。
次に,PINN法と対称性向上型PINN法を用いて,各サブドメインの解を学習し,最終的にPDEの全体解に縫合する。
論文 参考訳（メタデータ） (2024-04-29T09:27:17Z) - Multi-Grid Tensorized Fourier Neural Operator for High-Resolution PDEs [93.82811501035569]
本稿では,メモリ要求を低減し,より一般化したデータ効率・並列化可能な演算子学習手法を提案する。
MG-TFNOは、実世界の実世界の現象の局所的構造と大域的構造を活用することで、大規模な分解能にスケールする。
乱流ナビエ・ストークス方程式において150倍以上の圧縮で誤差の半分以下を達成できる優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-29T20:18:52Z) - A Generalized Schwarz-type Non-overlapping Domain Decomposition Method
using Physics-constrained Neural Networks [0.9137554315375919]
ニューラルネットワークに基づくメッシュレスシュワルツ型非重複領域分解を提案する。
この方法は、ラプラス方程式とヘルムホルツ方程式の両方に適用できる。
論文 参考訳（メタデータ） (2023-07-23T21:18:04Z) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳（メタデータ） (2023-04-28T17:28:18Z) - ML-BPM: Multi-teacher Learning with Bidirectional Photometric Mixing for
Open Compound Domain Adaptation in Semantic Segmentation [78.19743899703052]
オープン化合物ドメイン適応(OCDA)は、ターゲットドメインを複数の未知の同質体の化合物とみなしている。
目的とするサブドメインに適応するために,双方向光度ミキシングを用いたマルチテキサフレームワークを提案する。
適応蒸留を行い、学生モデルを学習し、整合性正規化を適用して生徒の一般化を改善する。
論文 参考訳（メタデータ） (2022-07-19T03:30:48Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - Physics and Equality Constrained Artificial Neural Networks: Application
to Partial Differential Equations [1.370633147306388]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。
本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-30T05:55:35Z) - Train Once and Use Forever: Solving Boundary Value Problems in Unseen
Domains with Pre-trained Deep Learning Models [0.20999222360659606]
本稿では,ニューラルネットワークを用いて境界値問題(BVP)を解くための伝達可能なフレームワークを提案する。
まず,任意の境界条件にまたがるbvpの解を推論できるニューラルネットワークであるgfnet(emphgenomic flow network)を提案する。
そこで我々は,GFNetの推論を組み立てたりステッチしたりする新しい反復アルゴリズムである emphmosaic flow (MF) 予測器を提案する。
論文 参考訳（メタデータ） (2021-04-22T05:20:27Z) - Model-Based Domain Generalization [96.84818110323518]
本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。
我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
論文 参考訳（メタデータ） (2021-02-23T00:59:02Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳（メタデータ） (2020-12-15T11:36:21Z) - On the Convergence of Overlapping Schwarz Decomposition for Nonlinear
Optimal Control [7.856998585396421]
非線形シュワルツ問題を解くために重なり合う分解アルゴリズムの収束特性について検討する。
アルゴリズムは局所的な線形収束を示し、収束速度は重なり合うサイズで指数関数的に向上することを示す。
論文 参考訳（メタデータ） (2020-05-14T00:19:28Z)
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。