Fugu-MT 論文翻訳(概要): LBM-GNN: Graph Neural Network Enhanced Lattice Boltzmann Method

論文の概要: LBM-GNN: Graph Neural Network Enhanced Lattice Boltzmann Method

arxiv url: http://arxiv.org/abs/2504.14494v1
Date: Sun, 20 Apr 2025 05:09:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 00:14:45.424313
Title: LBM-GNN: Graph Neural Network Enhanced Lattice Boltzmann Method
Title（参考訳）: LBM-GNN:グラフニューラルネットワーク強化格子ボルツマン法
Authors: Yue Li,
Abstract要約: 従来の格子ボルツマン法(LBM)をグラフニューラルネットワーク(GNN)で拡張する新しいアプローチであるLBM-GNNを提案する。本手法を流体力学シミュレーションに適用し,標準LBM法と比較して安定性と精度が向上したことを示す。
参考スコア（独自算出の注目度）: 4.0822320577783335
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we present LBM-GNN, a novel approach that enhances the traditional Lattice Boltzmann Method (LBM) with Graph Neural Networks (GNNs). We apply this method to fluid dynamics simulations, demonstrating improved stability and accuracy compared to standard LBM implementations. The method is validated using benchmark problems such as the Taylor-Green vortex, focusing on accuracy, conservation properties, and performance across different Reynolds numbers and grid resolutions. Our results indicate that GNN-enhanced LBM can maintain better conservation properties while improving numerical stability at higher Reynolds numbers.
Abstract（参考訳）: 本稿では,従来の格子ボルツマン法 (LBM) をグラフニューラルネットワーク (GNN) で拡張する手法である LBM-GNN を提案する。本手法を流体力学シミュレーションに適用し,標準LBM法と比較して安定性と精度が向上したことを示す。この手法はTaylor-Green vortexのようなベンチマーク問題を用いて検証され、精度、保存特性、様々なレイノルズ数およびグリッド解像度のパフォーマンスに重点を置いている。以上の結果から,高レイノルズ数での数値安定性を向上しつつ,GNN強化LBMによる保存性の向上が期待できることがわかった。

関連論文リスト

SAGMAN: Stability Analysis of Graph Neural Networks on the Manifolds [11.839398175390548]
現代のグラフニューラルネットワーク(GNN)は、入力グラフ構造やノードの特徴の変化に敏感である。本稿では,GNNの安定性を調べるためのSAGMANと呼ばれるスペクトルフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-13T18:33:45Z)
Achieving Constraints in Neural Networks: A Stochastic Augmented Lagrangian Approach [49.1574468325115]
DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
論文参考訳（メタデータ） (2023-10-25T13:55:35Z)
Bregman Graph Neural Network [27.64062763929748]
ノード分類タスクでは、GNNによって誘導される滑らか化効果は、連結ノードの表現と過剰な均質化ラベルを同化する傾向がある。本稿では,Bregman 距離の概念に触発された GNN のための新しい二段階最適化フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-12T23:54:24Z)
Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
論文参考訳（メタデータ） (2023-05-09T12:03:42Z)
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)
Spiking Variational Graph Auto-Encoders for Efficient Graph Representation Learning [10.65760757021534]
本稿では,効率的なグラフ表現学習のためのSNNに基づく深層生成手法,すなわちSpking Variational Graph Auto-Encoders (S-VGAE)を提案する。我々は,複数のベンチマークグラフデータセット上でリンク予測実験を行い,この結果から,グラフ表現学習における他のANNやSNNに匹敵する性能で,より少ないエネルギーを消費することを示した。
論文参考訳（メタデータ） (2022-10-24T12:54:41Z)
Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文参考訳（メタデータ） (2022-04-01T03:31:27Z)
Robust Graph Neural Networks via Probabilistic Lipschitz Constraints [7.359962178534361]
グラフニューラルネットワーク(GNN)は、最近、さまざまなネットワークベースのタスクでうまく機能することが実証されている。 GNNは入力のシフトや摂動の影響を受けやすく、ノード属性とグラフ構造の両方を含むことができる。
論文参考訳（メタデータ） (2021-12-14T17:33:32Z)
Positive-Negative Momentum: Manipulating Stochastic Gradient Noise to Improve Generalization [89.7882166459412]
勾配雑音(SGN)は、ディープラーニングの暗黙の正規化として機能する。深層学習を改善するためにランダムノイズを注入してSGNを人工的にシミュレートしようとした作品もある。低計算コストでSGNをシミュレーションし、学習率やバッチサイズを変更することなく、PNM(Positive-Negative Momentum)アプローチを提案する。
論文参考訳（メタデータ） (2021-03-31T16:08:06Z)
Kernel-Based Smoothness Analysis of Residual Networks [85.20737467304994]
ResNets(Residual Networks)は、これらの強力なモダンアーキテクチャの中でも際立っている。本稿では,2つのモデル,すなわちResNetsが勾配よりもスムーズな傾向を示す。
論文参考訳（メタデータ） (2020-09-21T16:32:04Z)
Learning Node Representations against Perturbations [21.66982904572156]
近年のグラフニューラルネットワーク (GNN) はノード表現学習において顕著な性能を発揮している。 GNNにおける摂動に対するノード表現の学習方法について検討する。本稿では,信頼度の高いノード表現を教師なしで学習するSIGNNAP(Stable-Identifiability GNN Against Perturbations)を提案する。
論文参考訳（メタデータ） (2020-08-26T07:11:01Z)
Constructing Accurate and Efficient Deep Spiking Neural Networks with Double-threshold and Augmented Schemes [35.395895930338455]
スパイキングニューラルネットワーク(SNN)は、人工知能ニューラルネットワーク(ANN)が直面する高消費電力化など、現在の課題を克服する潜在的候補と考えられている。
論文参考訳（メタデータ） (2020-05-05T06:44:05Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。