Fugu-MT 論文翻訳(概要): How to Re-enable PDE Loss for Physical Systems Modeling Under Partial Observation

論文の概要: How to Re-enable PDE Loss for Physical Systems Modeling Under Partial Observation

arxiv url: http://arxiv.org/abs/2412.09116v3
Date: Thu, 19 Dec 2024 13:27:49 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-20 14:17:19.698399
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: http://creativecommons.org/licenses/by/4.0/
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.
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。

関連論文リスト

Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
論文参考訳（メタデータ） (2025-03-24T19:12:39Z)
Mechanistic PDE Networks for Discovery of Governing Equations [52.492158106791365]
データから偏微分方程式を発見するためのモデルであるメカニスティックPDEネットワークを提案する。表現されたPDEは解決され、特定のタスクのためにデコードされる。線形偏微分方程式に特化して、ネイティブ、GPU対応、並列、スパース、微分可能多重グリッドソルバを開発した。
論文参考訳（メタデータ） (2025-02-25T17:21:44Z)
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)
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)
Physics-constrained robust learning of open-form partial differential equations from limited and noisy data [1.50528618730365]
本研究では,自由形式偏微分方程式(PDE)を有限・雑音データから頑健に解明する枠組みを提案する。ニューラルネットワークに基づく予測モデルは、システム応答に適合し、生成されたPDEに対する報酬評価器として機能する。数値実験により, 非線形力学系から, 極めてノイズの多いデータで支配方程式を発見できることを示す。
論文参考訳（メタデータ） (2023-09-14T12:34:42Z)
LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
論文参考訳（メタデータ） (2022-06-19T14:41:08Z)
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)
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。