論文の概要: Harnessing Scale and Physics: A Multi-Graph Neural Operator Framework for PDEs on Arbitrary Geometries
- arxiv url: http://arxiv.org/abs/2411.15178v1
- Date: Mon, 18 Nov 2024 12:35:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-01 04:14:35.554365
- Title: Harnessing Scale and Physics: A Multi-Graph Neural Operator Framework for PDEs on Arbitrary Geometries
- Title(参考訳): Harnessing Scaleと物理: 任意測地上のPDEのための多グラフニューラル演算子フレームワーク
- Authors: Zhihao Li, Haoze Song, Di Xiao, Zhilu Lai, Wei Wang,
- Abstract要約: 偏微分方程式は多くの科学的現象を導くが、伝統的な計算手法は複雑なシステムや不規則な幾何学としばしば苦労する。
本稿では,textbfArbitrary ジオメトリ上でPDEを効率的に解くために設計されたニューラル演算子である textbfAMG 法を提案する。
6つのベンチマークでAMGを総合的に評価し、既存の最先端モデルよりも一貫した優位性を示す。
- 参考スコア(独自算出の注目度): 9.954826518381468
- License:
- Abstract: Partial Differential Equations (PDEs) underpin many scientific phenomena, yet traditional computational approaches often struggle with complex, nonlinear systems and irregular geometries. This paper introduces the \textbf{AMG} method, a \textbf{M}ulti-\textbf{G}raph neural operator approach designed for efficiently solving PDEs on \textbf{A}rbitrary geometries. AMG leverages advanced graph-based techniques and dynamic attention mechanisms within a novel GraphFormer architecture, enabling precise management of diverse spatial domains and complex data interdependencies. By constructing multi-scale graphs to handle variable feature frequencies and a physics graph to encapsulate inherent physical properties, AMG significantly outperforms previous methods, which are typically limited to uniform grids. We present a comprehensive evaluation of AMG across six benchmarks, demonstrating its consistent superiority over existing state-of-the-art models. Our findings highlight the transformative potential of tailored graph neural operators in surmounting the challenges faced by conventional PDE solvers. Our code and datasets are available on \url{https://github.com/lizhihao2022/AMG}.
- Abstract(参考訳): 偏微分方程式 (Partial Differential Equations, PDEs) は多くの科学的現象の基盤となっているが、伝統的な計算手法は複雑で非線形なシステムや不規則な幾何学に悩まされることが多い。
本稿では,測地線上でのPDEを効率よく解くために設計された, {textbf{AMG} 法である {textbf{M}ulti-\textbf{G}raph ニューラル演算子を提案する。
AMGは、新しいGraphFormerアーキテクチャ内で高度なグラフベースの技術と動的アテンション機構を活用し、多様な空間ドメインと複雑なデータ相互依存の正確な管理を可能にする。
可変特徴周波数を扱うためのマルチスケールグラフと、固有の物理特性をカプセル化する物理グラフを構築することで、AMGは、通常一様格子に制限される従来の手法よりも大幅に優れている。
6つのベンチマークでAMGを総合的に評価し、既存の最先端モデルよりも一貫した優位性を示す。
本研究は,従来のPDEソルバが直面する課題を克服する上で,グラフニューラル演算子の変換可能性を強調した。
コードとデータセットは \url{https://github.com/lizhihao2022/AMG} で公開されています。
関連論文リスト
- T-Graphormer: Using Transformers for Spatiotemporal Forecasting [2.855856661274715]
T-Graphormerは、根平均誤差(RMSE)絶対誤差と平均パーセンテージ誤差(EMAP)を最大10%削減する。
Graphormerアーキテクチャに時間的ダイナミクスを組み込むことで、各ノードはグラフシーケンス内の他のすべてのノードに付随する。
T-Graphormerのリアルタイムトラフィック予測ベンチマークに対する有効性を検証する。
論文 参考訳(メタデータ) (2025-01-22T23:32:29Z) - PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。
我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。
PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
論文 参考訳(メタデータ) (2024-10-02T08:54:18Z) - Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric
GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。
幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。
また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文 参考訳(メタデータ) (2024-09-26T08:16:59Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳(メタデータ) (2022-11-26T22:13:06Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km~200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳(メタデータ) (2022-10-11T14:52:20Z) - Multi-scale Physical Representations for Approximating PDE Solutions
with Graph Neural Operators [14.466945570499183]
EmphMessage Passing Graph Neural Networks (MPGNN) を近似した積分カーネル演算子を用いた3つのマルチレゾリューションスキーマについて検討する。
本研究では, 定常かつ非定常なPDEを考慮したMPGNN実験を行った。
論文 参考訳(メタデータ) (2022-06-29T14:42:03Z) - EXPERT: Public Benchmarks for Dynamic Heterogeneous Academic Graphs [5.4744970832051445]
グラフ予測タスクのために開発されたモデルの有効性を検証するために,大規模で動的に異種な学術グラフを提案する。
我々の新しいデータセットは、人工知能(AI)と核拡散(NN)の2つのコミュニティにわたる科学出版物から抽出された文脈情報と内容情報の両方をカバーしている。
論文 参考訳(メタデータ) (2022-04-14T19:43:34Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳(メタデータ) (2022-03-12T14:22:14Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z)
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。