論文の概要: How to Re-enable PDE Loss for Physical Systems Modeling Under Partial Observation
- arxiv url: http://arxiv.org/abs/2412.09116v1
- Date: Thu, 12 Dec 2024 09:51:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:31:44.212935
- Title: How to Re-enable PDE Loss for Physical Systems Modeling Under Partial Observation
- Title(参考訳): 物理系モデリングにおける部分観測時のPDE損失の再現法
- Authors: Haodong Feng, Yue Wang, Dixia Fan,
- Abstract要約: RPLPO(Re-enable PDE Loss)と呼ばれる新しいフレームワークを提案する。
RPLPOは学習可能な高解像度状態を再構築するための符号化モジュールと、将来の状態を予測するための遷移モジュールを組み合わせる。
各種物理系で実験を行い,RPLPOが疎外,不規則,ノイズ,PDEが不正確であっても,一般化において顕著に改善されていることを示す。
- 参考スコア(独自算出の注目度): 2.8953519440756548
- License:
- Abstract: In science and engineering, machine learning techniques are increasingly successful in physical systems modeling (predicting future states of physical systems). Effectively integrating PDE loss as a constraint of system transition can improve the model's prediction by overcoming generalization issues due to data scarcity, especially when data acquisition is costly. However, in many real-world scenarios, due to sensor limitations, the data we can obtain is often only partial observation, making the calculation of PDE loss seem to be infeasible, as the PDE loss heavily relies on high-resolution states. We carefully study this problem and propose a novel framework named Re-enable PDE Loss under Partial Observation (RPLPO). The key idea is that although enabling PDE loss to constrain system transition solely is infeasible, we can re-enable PDE loss by reconstructing the learnable high-resolution state and constraining system transition simultaneously. Specifically, RPLPO combines an encoding module for reconstructing learnable high-resolution states with a transition module for predicting future states. The two modules are jointly trained by data and PDE loss. We conduct experiments in various physical systems to demonstrate that RPLPO has significant improvement in generalization, even when observation is sparse, irregular, noisy, and PDE is inaccurate. The code is available on GitHub: RPLPO.
- Abstract(参考訳): 科学と工学において、機械学習技術は物理システムモデリング(将来の物理システムの状態を予測する)でますます成功している。
システム移行の制約としてPDE損失を効果的に統合することは、特にデータ取得が高価である場合に、データ不足による一般化問題を克服することで、モデルの予測を改善することができる。
しかし、多くの実世界のシナリオでは、センサの制限のため、得られるデータは部分的な観測のみであり、PDE損失の計算は高分解能状態に大きく依存するため、不可能に思われる。
我々はこの問題を慎重に研究し、Re-enable PDE Loss under partial Observation (RPLPO)という新しいフレームワークを提案する。
鍵となる考え方は、PDEの損失をシステム遷移のみに制限することは不可能であるが、学習可能な高分解能状態を再構築し、システム遷移を同時に制約することで、PDEの損失を再実現できるということである。
具体的には、学習可能な高解像度状態を再構築するための符号化モジュールと、将来の状態を予測するための遷移モジュールを組み合わせる。
2つのモジュールはデータとPDE損失によって共同で訓練される。
我々は,RPLPOが疎外,不規則,ノイズ,PDEが不正確である場合でも,一般化において顕著な改善があることを実証するために,様々な物理システムで実験を行った。
コードはGitHubで入手できる。
関連論文リスト
- Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
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)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。
本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。
PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
論文 参考訳(メタデータ) (2024-11-28T13:16:20Z) - P$^2$C$^2$Net: PDE-Preserved Coarse Correction Network for efficient prediction of spatiotemporal dynamics [38.53011684603394]
我々はPDE保存型粗補正ネットワーク(P$2$C$2$Net)を導入し、小さなデータ構造における粗いメッシュグリッド上のPDE問題を解決する。
モデルは,(1)粗い解(すなわちシステム状態)の更新を学習するトレーニング可能なPDEブロックと,(2)一貫した解の修正を行うニューラルネットワークブロックの2つの相乗的モジュールから構成される。
論文 参考訳(メタデータ) (2024-10-29T14:45:07Z) - Multimodal Policies with Physics-informed Representations [3.0253681238542076]
PDEシステムの制御問題では、その決定を下すためには観察が重要である。
我々はPDEシステムの制御におけるマルチモーダルポリシーのための物理情報表現(PIR)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-20T01:56:15Z) - On the Benefits of Memory for Modeling Time-Dependent PDEs [35.86010060677811]
本稿では、最近のSSMアーキテクチャに基づくネットワークであるメモリニューラル演算子(MemNO)とフーリエニューラル演算子(FNO)を紹介する。
MemNOはメモリ無しでベースラインを著しく上回り、目に見えないPDEの6倍以上のエラーを発生させる。
論文 参考訳(メタデータ) (2024-09-03T21:56:13Z) - Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。
私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。
Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
論文 参考訳(メタデータ) (2024-05-27T15:34:35Z) - Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。
PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。
神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文 参考訳(メタデータ) (2022-02-15T18:43:17Z) - Discovering Nonlinear PDEs from Scarce Data with Physics-encoded
Learning [11.641708412097659]
ノイズや少ないデータからPDEを発見するための物理符号化離散学習フレームワークを提案する。
3つの非線形PDEシステムに対して,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-01-28T07:49:48Z) - 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) - Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental
Systems with Applications to Epidemiological and Additive Manufacturing
Problems [58.720142291102135]
非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。
特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
論文 参考訳(メタデータ) (2021-10-12T21:42:14Z) - APIK: Active Physics-Informed Kriging Model with Partial Differential
Equations [6.918364447822299]
本稿では,PDEポイントの集合を介してPDE情報を導入し,標準クリグ法と同様の後方予測を行うPDE Informed Kriging Model (PIK)を提案する。
学習性能をさらに向上させるために,PDEポイントをデザインし,PIKモデルと測定データに基づいたPDE情報を活用するアクティブPIKフレームワーク(APIK)を提案する。
論文 参考訳(メタデータ) (2020-12-22T02:31:26Z)
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。