論文の概要: Deep Operator Networks for Bayesian Parameter Estimation in PDEs
- arxiv url: http://arxiv.org/abs/2501.10684v1
- Date: Sat, 18 Jan 2025 07:41:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:24:14.841720
- Title: Deep Operator Networks for Bayesian Parameter Estimation in PDEs
- Title(参考訳): PDEにおけるベイズパラメータ推定のための深部演算子ネットワーク
- Authors: Amogh Raj, Carol Eunice Gudumotou, Sakol Bun, Keerthana Srinivasa, Arash Sarshar,
- Abstract要約: 本稿では,Deep Operator Networks (DeepONets) と物理インフォームドニューラルネットワーク (PINN) を組み合わせて偏微分方程式 (PDE) を解く新しいフレームワークを提案する。
データ駆動学習を物理的制約と統合することにより,多様なシナリオにまたがる堅牢で正確なソリューションを実現する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: We present a novel framework combining Deep Operator Networks (DeepONets) with Physics-Informed Neural Networks (PINNs) to solve partial differential equations (PDEs) and estimate their unknown parameters. By integrating data-driven learning with physical constraints, our method achieves robust and accurate solutions across diverse scenarios. Bayesian training is implemented through variational inference, allowing for comprehensive uncertainty quantification for both aleatoric and epistemic uncertainties. This ensures reliable predictions and parameter estimates even in noisy conditions or when some of the physical equations governing the problem are missing. The framework demonstrates its efficacy in solving forward and inverse problems, including the 1D unsteady heat equation and 2D reaction-diffusion equations, as well as regression tasks with sparse, noisy observations. This approach provides a computationally efficient and generalizable method for addressing uncertainty quantification in PDE surrogate modeling.
- Abstract(参考訳): 本稿では、Deep Operator Networks (DeepONets) と物理インフォームドニューラルネットワーク (PINN) を組み合わせて、偏微分方程式 (PDE) を解き、未知のパラメータを推定する新しいフレームワークを提案する。
データ駆動学習を物理的制約と統合することにより,多様なシナリオにまたがる堅牢で正確なソリューションを実現する。
ベイズ訓練は変分推論によって実施され、アレタリックおよびエピステマティックな不確実性の両方に対する包括的不確実性定量化を可能にする。
これにより、ノイズ条件や問題を管理する物理方程式のいくつかが欠落している場合でも、信頼性の高い予測とパラメータ推定が保証される。
このフレームワークは、1次元非定常熱方程式と2次元反応拡散方程式を含む前方および逆問題の解法における有効性を示し、また、疎度でノイズの多い観測を伴う回帰タスクを示す。
このアプローチは、PDEサロゲートモデリングにおける不確実性定量化に対処するための、計算的に効率的で一般化可能な方法を提供する。
関連論文リスト
- FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems [41.94295877935867]
偏微分方程式で記述された技術システムの数値シミュレーションと最適化は高価である。
この文脈で比較的新しいアプローチは、ニューラルネットワークの優れた近似特性と古典的有限要素法を組み合わせることである。
本稿では, この手法を, サドルポイント問題と非線形流体力学問題に拡張する。
論文 参考訳(メタデータ) (2024-09-06T07:17:01Z) - Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳(メタデータ) (2024-08-20T19:06:02Z) - FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。
本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
論文 参考訳(メタデータ) (2024-05-23T13:37:26Z) - Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs [44.890946409769924]
ニューラル演算子(NO)は特に有望な量子化として出現している。
本研究では,複数のNOをアンサンブルすることで,高いエラー領域を同定し,不確実性の高い推定を行うことができることを示す。
次に、ProbConservフレームワーク内でこれらのよく校正されたUQ推定を使ってモデルを更新するOperator-ProbConservを紹介します。
論文 参考訳(メタデータ) (2024-03-15T19:21:27Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳(メタデータ) (2023-11-09T23:32:06Z) - PDE-constrained Gaussian process surrogate modeling with uncertain data locations [1.943678022072958]
本稿では,入力データの可変性を関数と偏微分方程式近似のガウス過程回帰に組み込むベイズ的手法を提案する。
一般化の連続的な良好な性能が観察され、予測の不確実性の実質的な低減が達成される。
論文 参考訳(メタデータ) (2023-05-19T10:53:08Z) - Random Grid Neural Processes for Parametric Partial Differential
Equations [5.244037702157957]
我々はPDEのための空間確率物理の新しいクラスと深部潜伏モデルについて紹介する。
パラメトリックPDEの前方および逆問題を解場のガウス過程モデルの構築につながる方法で解く。
物理情報モデルにノイズのあるデータを原則的に組み込むことで、データの入手可能な問題に対する予測を改善する方法を示す。
論文 参考訳(メタデータ) (2023-01-26T11:30:56Z) - MAntRA: A framework for model agnostic reliability analysis [0.0]
時間依存型信頼性解析のための新しいモデルデータ駆動型信頼性解析フレームワークを提案する。
提案手法は、解釈可能な機械学習、ベイズ統計、動的方程式の同定を組み合わせたものである。
以上の結果から,提案手法の信頼性評価への応用の可能性が示唆された。
論文 参考訳(メタデータ) (2022-12-13T00:57:09Z) - Fully probabilistic deep models for forward and inverse problems in
parametric PDEs [1.9599274203282304]
本稿では,PDEのパラメータ・ツー・ソリューション(前方)と解・ツー・パラメータ(逆)マップを同時に学習する物理駆動型ディープ潜在変数モデル(PDDLVM)を提案する。
提案フレームワークは、観測データをシームレスに統合し、逆問題を解決するとともに、生成モデルを構築するために容易に拡張できる。
有限要素離散パラメトリックPDE問題に対して,本手法の有効性とロバスト性を示す。
論文 参考訳(メタデータ) (2022-08-09T15:40:53Z) - Accurate and Reliable Forecasting using Stochastic Differential
Equations [48.21369419647511]
ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。
本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。
本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
論文 参考訳(メタデータ) (2021-03-28T04:18:11Z) - SDE-Net: Equipping Deep Neural Networks with Uncertainty Estimates [45.43024126674237]
不確かさの定量化は、ディープラーニングの根本的かつ未解決な問題である。
ベイズフレームワークは不確実性推定の原則的方法を提供するが、現代のディープニューラルネット(DNN)には拡張性がないことが多い
動的システムの観点からDNNの不確かさを定量化する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-08-24T16:33:54Z)
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。