論文の概要: Single-shot prediction of parametric partial differential equations

• arxiv url: http://arxiv.org/abs/2505.09063v1
• Date: Wed, 14 May 2025 01:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.343813
• Title: Single-shot prediction of parametric partial differential equations
• Title（参考訳）: パラメトリック偏微分方程式の単発予測
• Authors: Khalid Rafiq, Wenjing Liao, Aditya G. Nair,
• Abstract要約: Flexi-VAEはパラメトリック偏微分方程式(PDE)の効率的な単発予測のためのデータ駆動フレームワークである 本稿では,潜時粘着を進行させるニューラルプロパゲータを提案する。 我々は,PDEベンチマーク,1次元バーガーズ方程式,2次元対流拡散方程式に対してフレキシ-VAEを検証し,広いパラメトリック範囲にわたって正確な予測を行う。
• 参考スコア（独自算出の注目度）: 3.987215131970378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Flexi-VAE, a data-driven framework for efficient single-shot forecasting of nonlinear parametric partial differential equations (PDEs), eliminating the need for iterative time-stepping while maintaining high accuracy and stability. Flexi-VAE incorporates a neural propagator that advances latent representations forward in time, aligning latent evolution with physical state reconstruction in a variational autoencoder setting. We evaluate two propagation strategies, the Direct Concatenation Propagator (DCP) and the Positional Encoding Propagator (PEP), and demonstrate, through representation-theoretic analysis, that DCP offers superior long-term generalization by fostering disentangled and physically meaningful latent spaces. Geometric diagnostics, including Jacobian spectral analysis, reveal that propagated latent states reside in regions of lower decoder sensitivity and more stable local geometry than those derived via direct encoding, enhancing robustness for long-horizon predictions. We validate Flexi-VAE on canonical PDE benchmarks, the 1D viscous Burgers equation and the 2D advection-diffusion equation, achieving accurate forecasts across wide parametric ranges. The model delivers over 50x CPU and 90x GPU speedups compared to autoencoder-LSTM baselines for large temporal shifts. These results position Flexi-VAE as a scalable and interpretable surrogate modeling tool for accelerating high-fidelity simulations in computational fluid dynamics (CFD) and other parametric PDE-driven applications, with extensibility to higher-dimensional and more complex systems.
• Abstract（参考訳）: 非線形パラメトリック偏微分方程式(PDE)の効率的な単発予測のためのデータ駆動フレームワークFlexi-VAEを導入する。 Flexi-VAEは、潜時表現を時間的に前進させ、潜時進化と物理的状態再構成を変動オートエンコーダ設定で整列させる神経伝達器を内蔵している。 我々は,DCP(Direct Concatenation Propagator)とPEP( positional Encoding Propagator)の2つの伝搬戦略を評価し,表現理論解析を通じて,DCPが不整合および物理的に有意な潜在空間を育むことにより,より優れた長期的一般化を提供することを示す。 ジャコビアンスペクトル分析を含む幾何学的診断では、伝播潜時状態は直接符号化により導出されたものよりも低いデコーダ感度とより安定した局所幾何学の領域に存在し、長期水平予測の堅牢性を高めることが示されている。 我々は,標準PDEベンチマーク,1次元粘性バーガーズ方程式,2次元対流拡散方程式を用いてフレキシ-VAEを検証し,幅広いパラメトリック範囲にわたって正確な予測を行う。 このモデルは、大規模な時間シフトのためのオートエンコーダ-LSTMベースラインと比較して、50倍CPUと90倍GPUのスピードアップを提供する。 これらの結果からFlexi-VAEは計算流体力学(CFD)や他のパラメトリックPDE駆動アプリケーションにおける高忠実度シミュレーションを高速化するためのスケーラブルで解釈可能な代理モデリングツールとして位置づけられ、高次元およびより複雑なシステムに拡張可能である。

関連論文リスト

• Enabling Local Neural Operators to perform Equation-Free System-Level Analysis [0.0]
  ニューラルネットワーク(NO)は、物理法則を含む計算のための強力なフレームワークを提供する。 我々は、Krylov部分空間における(局所的な)NOと高度な反復的数値法を統合するフレームワークを提案し、実装する。 3つの非線形PDEベンチマークを通して、我々のフレームワークを説明します。
  論文  参考訳（メタデータ） (2025-05-05T01:17:18Z)
• Geometry aware inference of steady state PDEs using Equivariant Neural Fields representations [0.0]
  定常部分微分方程式を予測するエンコーダデコーダである enf2enf を導入する。 提案手法は、リアルタイム推論とゼロショット超解像をサポートし、低分解能メッシュの効率的なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-04-24T08:30:32Z)
• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。 SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。 本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Learning to Accelerate Partial Differential Equations via Latent Global Evolution [64.72624347511498]
  The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。 我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。 更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
  論文  参考訳（メタデータ） (2022-06-15T17:31:24Z)
• gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics Identification [0.5249805590164902]
  物理インフォームド・グレディ・ラテント・スペース・ダイナミクス同定法(gLa)を提案する。 インタラクティブなトレーニングアルゴリズムがオートエンコーダとローカルDIモデルに採用され、単純な潜在空間のダイナミクスを識別できる。 提案手法の有効性は, 様々な非線形力学問題をモデル化することによって実証される。
  論文  参考訳（メタデータ） (2022-04-26T00:15:46Z)
• Long-time integration of parametric evolution equations with physics-informed DeepONets [0.0]
  ランダムな初期条件を関連するPDE解に短時間でマッピングする無限次元演算子を学習するための効果的なフレームワークを提案する。 その後、訓練されたモデルを反復的に評価することにより、一連の初期条件にわたるグローバルな長期予測が得られる。 これは時間領域分解に対する新しいアプローチを導入し、正確な長期シミュレーションを実行するのに有効であることを示した。
  論文  参考訳（メタデータ） (2021-06-09T20:46:17Z)

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。