論文の概要: PIG: Physics-Informed Gaussians as Adaptive Parametric Mesh Representations
- arxiv url: http://arxiv.org/abs/2412.05994v1
- Date: Sun, 08 Dec 2024 16:58:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:57:20.649422
- Title: PIG: Physics-Informed Gaussians as Adaptive Parametric Mesh Representations
- Title(参考訳): PIG: 適応パラメトリックメッシュ表現としての物理インフォームドガウシアン
- Authors: Namgyu Kang, Jaemin Oh, Youngjoon Hong, Eunbyung Park,
- Abstract要約: ニューラルネットワークを用いた部分微分方程式(PDE)の近似は、大きく進歩している。
PINNは、高周波および非線形成分の学習に苦慮しているMLP(Multi-Layer Perceptrons)のスペクトルバイアスによって、限られた精度に悩まされることが多い。
本稿では,ガウス関数を用いた特徴埋め込みと軽量ニューラルネットワークを組み合わせた物理インフォームドガウス(PIG)を提案する。
- 参考スコア(独自算出の注目度): 5.4087282763977855
- License:
- Abstract: The approximation of Partial Differential Equations (PDEs) using neural networks has seen significant advancements through Physics-Informed Neural Networks (PINNs). Despite their straightforward optimization framework and flexibility in implementing various PDEs, PINNs often suffer from limited accuracy due to the spectral bias of Multi-Layer Perceptrons (MLPs), which struggle to effectively learn high-frequency and non-linear components. Recently, parametric mesh representations in combination with neural networks have been investigated as a promising approach to eliminate the inductive biases of neural networks. However, they usually require very high-resolution grids and a large number of collocation points to achieve high accuracy while avoiding overfitting issues. In addition, the fixed positions of the mesh parameters restrict their flexibility, making it challenging to accurately approximate complex PDEs. To overcome these limitations, we propose Physics-Informed Gaussians (PIGs), which combine feature embeddings using Gaussian functions with a lightweight neural network. Our approach uses trainable parameters for the mean and variance of each Gaussian, allowing for dynamic adjustment of their positions and shapes during training. This adaptability enables our model to optimally approximate PDE solutions, unlike models with fixed parameter positions. Furthermore, the proposed approach maintains the same optimization framework used in PINNs, allowing us to benefit from their excellent properties. Experimental results show the competitive performance of our model across various PDEs, demonstrating its potential as a robust tool for solving complex PDEs. Our project page is available at https://namgyukang.github.io/Physics-Informed-Gaussians/
- Abstract(参考訳): ニューラルネットワークを用いた部分微分方程式(PDE)の近似は、物理インフォームドニューラルネットワーク(PINN)を通じて大きく進歩している。
様々なPDEを実装する際の直接的な最適化フレームワークと柔軟性にもかかわらず、PINNは、高周波および非線形コンポーネントを効果的に学習するのに苦労するマルチ層パーセプトロン(MLP)のスペクトルバイアスのために、限られた精度に悩まされることが多い。
近年,ニューラルネットワークと組み合わせたパラメトリックメッシュ表現は,ニューラルネットワークの帰納バイアスを取り除くための有望なアプローチとして研究されている。
しかし、通常は過度な問題を避けながら高い精度を達成するために、非常に高解像度のグリッドと多数のコロケーションポイントを必要とする。
さらに、メッシュパラメータの固定位置は、その柔軟性を制限し、複雑なPDEを正確に近似することは困難である。
これらの制限を克服するために、ガウス関数を用いた特徴埋め込みと軽量ニューラルネットワークを組み合わせた物理インフォームドガウス(PIG)を提案する。
提案手法では,各ガウス平均と分散にトレーニング可能なパラメータを用い,トレーニング中の位置と形状を動的に調整する。
この適応性により、固定パラメータ位置を持つモデルとは異なり、我々のモデルは最適にPDE解を近似することができる。
さらに、提案手法は、PINNで使用されているのと同じ最適化フレームワークを維持しており、優れた特性の恩恵を受けることができる。
実験の結果,複雑なPDEを解くための堅牢なツールとしての可能性を示した。
私たちのプロジェクトページはhttps://namgyukang.github.io/Physics-Informed-Gaussians/で公開されています。
関連論文リスト
- Physics informed cell representations for variational formulation of multiscale problems [8.905008042172883]
偏微分方程式(PDE)を解くための有望なツールとして物理情報ニューラルネットワーク(PINN)が登場している
PINNはマルチスケールの特徴を持つPDEの解決には適していない。
本稿では,多層パーセプトロン(MLP)と結合した多層多層格子からなるセルベースモデルアーキテクチャを提案する。
本質的には,セルベースモデルと並列小クダnライブラリにより,コンバージェンス速度と数値精度が向上する。
論文 参考訳(メタデータ) (2024-05-27T02:42:16Z) - RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
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)の解法として広く応用されている。
本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。
実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
論文 参考訳(メタデータ) (2024-05-23T09:45:57Z) - Bias-Variance Trade-off in Physics-Informed Neural Networks with
Randomized Smoothing for High-Dimensional PDEs [29.38656057181734]
物理インフォームドニューラルネットワーク(PINN)は低次元偏微分方程式(PDE)に有効であることが証明されている。
RS-PINNにおけるバイアスの包括的解析は,平均二乗誤差(MSE)損失とPDE非線形性の非線形性に起因する。
PDE非線形性の順序に基づく補正バイアス補正手法を提案する。
論文 参考訳(メタデータ) (2023-11-26T12:50:28Z) - Grad-Shafranov equilibria via data-free physics informed neural networks [0.0]
PINNはいくつかの異なる境界条件でGrad-Shafranov方程式を正確かつ効果的に解くことができることを示す。
パラメータ化PINNフレームワークを導入し、入力空間を圧力、アスペクト比、伸長、三角度などの変数を含むように拡張する。
論文 参考訳(メタデータ) (2023-11-22T16:08:38Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - CP-PINNs: Data-Driven Changepoints Detection in PDEs Using Online Optimized Physics-Informed Neural Networks [0.0]
与えられたPDEダイナミクスのパラメータがランダムに変化点を示すシナリオにおける部分微分方程式(PDE)の逆問題について検討する。
物理インフォームドニューラルネットワーク(PINN)は,物理法則の解を推定できる普遍近似器である。
本稿では,PDE力学における複数の変更点を許容できる全変量ペナルティを用いたPINN拡張を提案する。
論文 参考訳(メタデータ) (2022-08-18T04:01:07Z) - 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) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - 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) - 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) - Physics-Informed Neural Network Method for Solving One-Dimensional
Advection Equation Using PyTorch [0.0]
PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。
標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。
テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
論文 参考訳(メタデータ) (2021-03-15T05:39:17Z)
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。