論文の概要: GRINNs: Godunov-Riemann Informed Neural Networks for Learning Hyperbolic Conservation Laws
- arxiv url: http://arxiv.org/abs/2410.22193v1
- Date: Tue, 29 Oct 2024 16:31:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-30 13:38:43.763024
- Title: GRINNs: Godunov-Riemann Informed Neural Networks for Learning Hyperbolic Conservation Laws
- Title(参考訳): GRINNs: 双曲的保存法を学習するニューラルネットワークのGoduov-Riemann
- Authors: Dimitrios G. Patsatzis, Mario di Bernardo, Lucia Russo, Constantinos Siettos,
- Abstract要約: 本稿では,保全法則の非線形システムの逆問題に対する数値解析インフォームドニューラルネットワークを提案する。
GRINNは双曲型偏微分方程式におけるリーマン問題の解に対する高分解能なゴドゥノフスキームに基づいている。
我々はGRINNが滑らかな領域と不連続な領域の両方で非常に高い精度を提供することを示した。
- 参考スコア(独自算出の注目度): 0.6874745415692135
- License:
- Abstract: We present GRINNs: numerical analysis-informed neural networks for the solution of inverse problems of non-linear systems of conservation laws. GRINNs are based on high-resolution Godunov schemes for the solution of the Riemann problem in hyperbolic Partial Differential Equations (PDEs). In contrast to other existing machine learning methods that learn the numerical fluxes of conservative Finite Volume methods, GRINNs learn the physical flux function per se. Due to their structure, GRINNs provide interpretable, conservative schemes, that learn the solution operator on the basis of approximate Riemann solvers that satisfy the Rankine-Hugoniot condition. The performance of GRINNs is assessed via four benchmark problems, namely the Burgers', the Shallow Water, the Lighthill-Whitham-Richards and the Payne-Whitham traffic flow models. The solution profiles of these PDEs exhibit shock waves, rarefactions and/or contact discontinuities at finite times. We demonstrate that GRINNs provide a very high accuracy both in the smooth and discontinuous regions.
- Abstract(参考訳): 本稿では,保全法則の非線形系の逆問題に対する数値解析インフォームドニューラルネットワークを提案する。
GRINNは双曲型偏微分方程式(PDE)におけるリーマン問題の解に対する高分解能なゴドゥノフスキームに基づいている。
保守的な有限体積法の数値フラックスを学習する既存の機械学習手法とは対照的に、GRINNはそれぞれの物理フラックス関数を学習する。
その構造のため、GRINNは、ランキン・フーゴニオの条件を満たす近似リーマン解法に基づいて解作用素を学ぶ解釈可能で保守的なスキームを提供する。
GRINNの性能は、Burgers、Shallow Water、Lighthill-Whitham-Richards、Payne-Whithamトラフィックフローモデルという4つのベンチマーク問題によって評価される。
これらのPDEの溶液プロファイルは, 衝撃波, 希土類, 接触不連続性を有限時間で示す。
我々はGRINNが滑らかな領域と不連続な領域の両方で非常に高い精度を提供することを示した。
関連論文リスト
- Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
PINNは2+1次元非線形偏微分方程式の渦解の研究に用いられる。
保存法則(cPINN)、初期プロファイルの変形、および識別の解像度を改善するための摩擦アプローチを考察する。
論文 参考訳(メタデータ) (2024-10-23T08:29:13Z) - Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。
我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文 参考訳(メタデータ) (2024-06-05T17:59:22Z) - Operator Learning Enhanced Physics-informed Neural Networks for Solving
Partial Differential Equations Characterized by Sharp Solutions [10.999971808508437]
そこで我々は,OL-PINN(Operator Learning Enhanced Physics-informed Neural Networks)と呼ばれる新しいフレームワークを提案する。
提案手法は, 強い一般化能力を実現するために, 少数の残差点しか必要としない。
精度を大幅に向上すると同時に、堅牢なトレーニングプロセスも保証する。
論文 参考訳(メタデータ) (2023-10-30T14:47:55Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - Koopman neural operator as a mesh-free solver of non-linear partial differential equations [15.410070455154138]
これらの課題を克服するために,新しいニューラル演算子であるクープマンニューラル演算子(KNO)を提案する。
力学系のすべての可能な観測を統括する無限次元作用素であるクープマン作用素を近似することにより、非線型PDEファミリーの解を等価に学べる。
KNOは、従来の最先端モデルと比較して顕著なアドバンテージを示している。
論文 参考訳(メタデータ) (2023-01-24T14:10:15Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - wPINNs: Weak Physics informed neural networks for approximating entropy
solutions of hyperbolic conservation laws [6.445605125467574]
物理情報ニューラルネットワーク(PINN)は、正確な近似を保証するために、基礎となるPDEの解の規則性を必要とする。
本稿では,スカラー保存法則のエントロピー解を正確に近似するために,弱PINN(wPINN)と呼ばれる新しいPINNを提案する。
論文 参考訳(メタデータ) (2022-07-18T10:07:13Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳(メタデータ) (2022-06-01T18:48:01Z) - Physics-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳(メタデータ) (2021-11-06T03:41:34Z) - A Physics Informed Neural Network Approach to Solution and
Identification of Biharmonic Equations of Elasticity [0.0]
本研究では,エアリーストレス関数とフーリエ級数を組み合わせた物理情報ニューラルネットワーク(PINN)の適用について検討する。
両高調波PDEに対するPINNソリューションの精度は, エアリー応力関数による特徴空間の強化により著しく向上することがわかった。
論文 参考訳(メタデータ) (2021-08-16T17:19:50Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z)
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。