論文の概要: Anant-Net: Breaking the Curse of Dimensionality with Scalable and Interpretable Neural Surrogate for High-Dimensional PDEs
- arxiv url: http://arxiv.org/abs/2505.03595v2
- Date: Wed, 07 May 2025 17:23:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-08 12:54:13.655475
- Title: Anant-Net: Breaking the Curse of Dimensionality with Scalable and Interpretable Neural Surrogate for High-Dimensional PDEs
- Title（参考訳）: Anant-Net:高次元PDEのためのスケーラブルで解釈可能なニューラルサロゲートによる次元曲線の破れ
- Authors: Sidharth S. Menon, Ameya D. Jagtap,
- Abstract要約: 高次元偏微分方程式(英: High-dimensional partial differential equation、PDE)は、様々な科学的・工学的な応用に現れる。
従来の数値法は計算複雑性の指数的な成長に苦慮している。
私たちは、この課題を克服する効率的なニューラルネットワークサロゲートであるAnant-Netを紹介します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-dimensional partial differential equations (PDEs) arise in diverse scientific and engineering applications but remain computationally intractable due to the curse of dimensionality. Traditional numerical methods struggle with the exponential growth in computational complexity, particularly on hypercubic domains, where the number of required collocation points increases rapidly with dimensionality. Here, we introduce Anant-Net, an efficient neural surrogate that overcomes this challenge, enabling the solution of PDEs in high dimensions. Unlike hyperspheres, where the internal volume diminishes as dimensionality increases, hypercubes retain or expand their volume (for unit or larger length), making high-dimensional computations significantly more demanding. Anant-Net efficiently incorporates high-dimensional boundary conditions and minimizes the PDE residual at high-dimensional collocation points. To enhance interpretability, we integrate Kolmogorov-Arnold networks into the Anant-Net architecture. We benchmark Anant-Net's performance on several linear and nonlinear high-dimensional equations, including the Poisson, Sine-Gordon, and Allen-Cahn equations, demonstrating high accuracy and robustness across randomly sampled test points from high-dimensional space. Importantly, Anant-Net achieves these results with remarkable efficiency, solving 300-dimensional problems on a single GPU within a few hours. We also compare Anant-Net's results for accuracy and runtime with other state-of-the-art methods. Our findings establish Anant-Net as an accurate, interpretable, and scalable framework for efficiently solving high-dimensional PDEs.
- Abstract（参考訳）: 高次元偏微分方程式(高次元偏微分方程式、英: High-dimensional partial differential equation、PDE)は、様々な科学的・工学的な応用において生じるが、次元性の呪いのために計算的に難解である。
従来の数値計算法は計算複雑性の指数関数的な増加に苦慮しており、特に超立方体領域では、必要なコロケーション点の数が次元とともに急速に増加する。
ここでは、この課題を克服し、高次元におけるPDEの解を可能にする効率的なニューラルネットワークサロゲートであるAnant-Netを紹介する。
次元が増加するにつれて内部の体積が減少するハイパースフィアとは異なり、ハイパーキューブは体積を維持または拡大し(単位またはより大きな長さ)、高次元の計算をはるかに要求される。
Anant-Netは高次元境界条件を効率的に組み込んで、高次元のコロケーション点におけるPDE残差を最小化する。
解釈可能性を高めるために,Kolmogorov-ArnoldネットワークをAnant-Netアーキテクチャに統合する。
我々は,Poisson,Sine-Gordon,Allen-Cahn方程式を含む線形および非線形な高次元方程式に対するAnant-Netの性能をベンチマークし,高次元空間からランダムにサンプリングされた試験点にまたがって高い精度とロバスト性を示す。
重要なことは、Anant-Netはこれらの結果を驚くほど効率よく達成し、1つのGPU上の300次元の問題を数時間で解決する。
また、Anant-Netの結果を、他の最先端の手法と比較する。
その結果,Anant-Netは高次元PDEを効率的に解くための,正確で解釈可能な,スケーラブルなフレームワークであることがわかった。
関連論文リスト
- High precision PINNs in unbounded domains: application to singularity formulation in PDEs [83.50980325611066]
ニューラルネットワークアンサッツの選択、サンプリング戦略、最適化アルゴリズムについて検討する。
1次元バーガース方程式の場合、我々のフレームワークは非常に高精度な解が得られる。
2D Boussinesq 方程式の場合、損失が 4$ の解は citewang2023asymsymptotic よりも小さく、トレーニングステップは少ない。
論文 参考訳（メタデータ） (2025-06-24T02:01:44Z) - Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries [67.63077028746191]
Transolver++は、百万のスケールでPDEを解くことができる、非常に並列で効率的なニューラルソルバである。
Transolver++は、シングルGPU入力能力を初めて100万ポイントに拡張する。
数百万スケールの高忠実度産業シミュレーションで20%以上の性能向上を実現している。
論文 参考訳（メタデータ） (2025-02-04T15:33:50Z) - Separable DeepONet: Breaking the Curse of Dimensionality in Physics-Informed Machine Learning [0.0]
ラベル付きデータセットがない場合、PDE残留損失を利用して物理系を学習する。
この手法は、主に次元の呪いによる重要な計算課題に直面するが、計算コストは、より詳細な離散化とともに指数関数的に増加する。
本稿では,これらの課題に対処し,高次元PDEのスケーラビリティを向上させるために,分離可能なDeepONetフレームワークを紹介する。
論文 参考訳（メタデータ） (2024-07-21T16:33:56Z) - Physics-informed deep learning and compressive collocation for high-dimensional diffusion-reaction equations: practical existence theory and numerics [5.380276949049726]
ディープラーニング(DL)に基づく高次元偏微分方程式の効率的な解法の開発と解析
理論的にも数値的にも,新しい安定かつ高精度なスペクトルコロケーション法と競合できることを示す。
論文 参考訳（メタデータ） (2024-06-03T17:16:11Z) - Tackling the Curse of Dimensionality with Physics-Informed Neural Networks [24.86574584293979]
我々は、任意の高次元PDEを解決するために、物理インフォームドニューラルネットワーク(PINN)をスケールアップする新しい方法を開発した。
本研究では,提案手法が多くの高次元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） (2023-07-23T12:18:12Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳（メタデータ） (2022-10-11T14:52:20Z) - 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) - 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) - Space-time deep neural network approximations for high-dimensional partial differential equations [3.6185342807265415]
深層学習近似は次元性の呪いを克服する能力を持っているかもしれない。
この記事では、任意の$ainmathbbR$, $ bin (a,infty)$に対して、あるコルモゴロフ PDE の解が次元性の呪いなしで DNN によって近似できることを証明する。
論文 参考訳（メタデータ） (2020-06-03T12:14:56Z)
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。