Fugu-MT 論文翻訳(概要): Spectral-inspired Operator Learning with Limited Data and Unknown Physics

論文の概要: Spectral-inspired Operator Learning with Limited Data and Unknown Physics

arxiv url: http://arxiv.org/abs/2505.21573v2
Date: Fri, 26 Sep 2025 14:09:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-29 16:35:18.875652
Title: Spectral-inspired Operator Learning with Limited Data and Unknown Physics
Title（参考訳）: 限られたデータと未知物理を用いたスペクトルインスパイアされた演算子学習
Authors: Han Wan, Rui Zhang, Hao Sun,
Abstract要約: スペクトルインスパイアされたニューラルオペレータ(SINO)は、明示的なPDE項を必要とせずに、わずか2-5軌道から複雑なシステムをモデル化することができる。非線形効果をモデル化するために、SINOはスペクトル特性の乗法演算を行うPiブロックを用いており、エイリアスを抑制するためにローパスフィルタで補完される。 2次元PDEと3次元PDEのベンチマーク実験により、SINOは1-2桁の精度で最先端のパフォーマンスを達成した。
参考スコア（独自算出の注目度）: 10.143396024546368
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning PDE dynamics from limited data with unknown physics is challenging. Existing neural PDE solvers either require large datasets or rely on known physics (e.g., PDE residuals or handcrafted stencils), leading to limited applicability. To address these challenges, we propose Spectral-Inspired Neural Operator (SINO), which can model complex systems from just 2-5 trajectories, without requiring explicit PDE terms. Specifically, SINO automatically captures both local and global spatial derivatives from frequency indices, enabling a compact representation of the underlying differential operators in physics-agnostic regimes. To model nonlinear effects, it employs a Pi-block that performs multiplicative operations on spectral features, complemented by a low-pass filter to suppress aliasing. Extensive experiments on both 2D and 3D PDE benchmarks demonstrate that SINO achieves state-of-the-art performance, with improvements of 1-2 orders of magnitude in accuracy. Particularly, with only 5 training trajectories, SINO outperforms data-driven methods trained on 1000 trajectories and remains predictive on challenging out-of-distribution cases where other methods fail.
Abstract（参考訳）: 未知の物理で限られたデータからPDEダイナミクスを学ぶことは困難である。既存のニューラルPDEソルバは、大きなデータセットを必要とするか、既知の物理(例えば、PDE残基または手作りステンシル)に依存しているため、適用範囲は限られている。これらの課題に対処するために、明示的なPDE項を必要とせず、2-5の軌跡から複雑なシステムをモデル化できるSpectral-Inspired Neural Operator (SINO)を提案する。具体的には、SINOは、周波数指標から局所空間微分と大域空間微分の両方を自動的にキャプチャし、物理に依存しない状態における基礎となる微分作用素のコンパクトな表現を可能にする。非線形効果をモデル化するために、スペクトル特徴に対する乗算演算を行うPiブロックを用いており、エイリアスを抑制するためにローパスフィルタで補完される。 2次元PDEと3次元PDEのベンチマークによる大規模な実験は、SINOが1-2桁の精度で最先端のパフォーマンスを達成することを示した。特に、たった5つのトレーニングトラジェクトリで、SINOは1000トラジェクトリでトレーニングされたデータ駆動手法よりも優れており、他の方法が失敗するアウト・オブ・ディストリビューションのケースに対して、予測的であり続けている。

関連論文リスト

Out-of-distribution generalization of deep-learning surrogates for 2D PDE-generated dynamics in the small-data regime [1.9116784879310027]
本研究では,周期領域における2次元PDEダイナミクスのための自己回帰的深層学習サロゲートについて検討する。小データの周期的な2D PDE設定では、局所性に整合した帰納的バイアスを持つ畳み込みアーキテクチャは、正確かつ適度にアウト・オブ・ディストリビューション・ロバスト・サロゲート・モデリングの強力な競争相手のままである。
論文参考訳（メタデータ） (2026-01-13T10:20:59Z)
Stable spectral neural operator for learning stiff PDE systems from limited data [12.62991453201434]
我々は、方程式のない学習フレームワーク、すなわち、安定スペクトルニューラル演算子(SSNO)を導入する。 SSNOはそのアーキテクチャにスペクトルにインスパイアされた構造を組み込み、基礎となる物理学を学ぶための強い誘導バイアスをもたらす。予測誤差は、先行モデルよりも1～2桁低い。
論文参考訳（メタデータ） (2025-12-12T16:09:38Z)
Data-Efficient Time-Dependent PDE Surrogates: Graph Neural Simulators vs. Neural Operators [0.0]
時間依存偏微分方程式(PDE)の原理的代理モデルとしてニューラルグラフシミュレータ(GNS)を提案する。 GNSは、メッセージパッシングと数値的なタイムステッピングスキームを組み合わせて、瞬時微分をモデル化してPDEダイナミクスを学習する。その結果, GNSはデータ効率が著しく高く, 比較的L2誤差が1%未満であり, 利用可能な軌道は3%に過ぎなかった。
論文参考訳（メタデータ） (2025-09-07T17:54:23Z)
SING: SDE Inference via Natural Gradients [0.0]
本稿では,SDE推論を自然勾配(Sing)を用いて提案し,モデルと変分後部の基底幾何学を効率的に活用する。 SINGは、難解な積分を近似し、計算を時間内に並列化することにより、潜在SDEモデルの高速かつ信頼性の高い推論を可能にする。 SINGは、様々なデータセットにおける状態推定とドリフト推定において、先行手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-06-21T19:36:11Z)
Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
論文参考訳（メタデータ） (2025-04-11T06:16:30Z)
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)
DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [60.58067866537143]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
Characteristic Performance Study on Solving Oscillator ODEs via Soft-constrained Physics-informed Neural Network with Small Data [6.3295494018089435]
本稿では,物理インフォームドニューラルネットワーク(PINN),従来のニューラルネットワーク(NN),および微分方程式(DE)に関する従来の数値離散化法を比較した。我々は,ソフト制約のPINNアプローチに注目し,その数学的枠組みと計算フローを正規Dsと部分Dsの解法として定式化した。我々は、PINNのDeepXDEベースの実装が、トレーニングにおいて軽量コードであり、効率的なだけでなく、CPU/GPUプラットフォーム間で柔軟なことを実証した。
論文参考訳（メタデータ） (2024-08-19T13:02:06Z)
Physics-informed Discretization-independent Deep Compositional Operator Network [1.2430809884830318]
我々はPDEパラメータと不規則領域形状の様々な離散表現に一般化できる新しい物理インフォームドモデルアーキテクチャを提案する。ディープ・オペレーター・ニューラルネットワークにインスパイアされた我々のモデルは、パラメータの繰り返し埋め込みの離散化に依存しない学習を含む。提案手法の精度と効率を数値計算により検証した。
論文参考訳（メタデータ） (2024-04-21T12:41:30Z)
DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training [87.90342423839876]
我々は,PDEデータに対するより安定的で効率的な事前学習を可能にする,自己回帰型事前学習戦略を提案する。我々は,100k以上の軌道を持つ10以上のPDEデータセットに対して,最大0.5BパラメータでPDEファンデーションモデルをトレーニングする。
論文参考訳（メタデータ） (2024-03-06T08:38:34Z)
Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文参考訳（メタデータ） (2023-11-30T22:34:57Z)
Spectral operator learning for parametric PDEs without data reliance [6.7083321695379885]
本研究では,データ活用を必要とせずにパラメトリック偏微分方程式(PDE)を解く演算子に基づく新しい手法を提案する。提案手法は,既存の科学的機械学習技術と比較して優れた性能を示す。
論文参考訳（メタデータ） (2023-10-03T12:37:15Z)
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)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文参考訳（メタデータ） (2023-04-27T17:42:24Z)
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)
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)
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文参考訳（メタデータ） (2022-04-13T08:53:41Z)
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)

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。