Fugu-MT 論文翻訳(概要): Méthode de quadrature pour les PINNs fondée théoriquement sur la hessienne des résiduels

論文の概要: Méthode de quadrature pour les PINNs fondée théoriquement sur la hessienne des résiduels

arxiv url: http://arxiv.org/abs/2506.20441v1
Date: Wed, 25 Jun 2025 13:49:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-26 21:00:42.764066
Title: Méthode de quadrature pour les PINNs fondée théoriquement sur la hessienne des résiduels
Title（参考訳）: 四分法に関するPINNの研究
Authors: Antoine Caradot, Rémi Emonet, Amaury Habrard, Abdel-Rahim Mezidi, Marc Sebban,
Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、PDEの代用ニューラルネットワークを学習する効率的な方法として登場した。本稿では,関数のヘシアンに基づく定積分の近似法を提案する。
参考スコア（独自算出の注目度）: 11.912466054588327
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Physics-informed Neural Networks (PINNs) have emerged as an efficient way to learn surrogate neural solvers of PDEs by embedding the physical model in the loss function and minimizing its residuals using automatic differentiation at so-called collocation points. Originally uniformly sampled, the choice of the latter has been the subject of recent advances leading to adaptive sampling refinements. In this paper, we propose a new quadrature method for approximating definite integrals based on the hessian of the considered function, and that we leverage to guide the selection of the collocation points during the training process of PINNs.
Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、損失関数に物理モデルを埋め込んで、いわゆるコロケーションポイントにおける自動微分を用いてその残差を最小化することにより、PDEの代用ニューラルネットワークを学習する効率的な方法として登場した。当初、一様にサンプリングされ、後者の選択は、適応的なサンプリングの改良につながる最近の進歩の主題となっている。本稿では,関数のヘシアンに基づいて定積分を近似する新しい定積分法を提案し,PINNの学習過程におけるコロケーション点の選択を導出する。

関連論文リスト

Provably Accurate Adaptive Sampling for Collocation Points in Physics-informed Neural Networks [11.912466054588327]
物理インフォームドニューラルネットワーク(PINN)は、サロゲート解法を効率的に学習する方法として登場した。本稿では,PDE残差のヘシアンに基づくコロケーション点の精度の高いサンプリング手法を提案する。
論文参考訳（メタデータ） (2025-04-01T15:45:08Z)
Plane-Wave Decomposition and Randomised Training; a Novel Path to Generalised PINNs for SHM [0.0]
物理インフォームドニューラルネットワーク(PINN)の定式化について紹介する。 PINNは、フーリエ分解の形式を学習し、ランダムに選択された境界条件の拡散に基づく訓練手法である。
論文参考訳（メタデータ） (2025-03-31T21:37:18Z)
An Adaptive Collocation Point Strategy For Physics Informed Neural Networks via the QR Discrete Empirical Interpolation Method [1.2289361708127877]
QR離散経験補間法(QR-DEIM)を用いた適応的コロケーション点選択法を提案する。我々のQR-DEIMに基づく手法は既存の手法と比較してPINNの精度を向上することを示した。
論文参考訳（メタデータ） (2025-01-13T21:24:15Z)
Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法として広く応用されている。本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
論文参考訳（メタデータ） (2024-05-23T09:45:57Z)
Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文参考訳（メタデータ） (2023-05-24T17:26:22Z)
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)
A Novel Adaptive Causal Sampling Method for Physics-Informed Neural Networks [35.25394937917774]
インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)の解を得るための魅力的な機械学習手法である。適応サンプリングに時間因果性を導入し,PINの性能と効率を向上させるための適応因果サンプリング手法を提案する。本研究では, 比較的単純なサンプリング手法を用いることで, 予測性能を2桁まで向上できることを実証した。
論文参考訳（メタデータ） (2022-10-24T01:51:08Z)
Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文参考訳（メタデータ） (2022-07-08T18:17:06Z)
Deep Learning for the Benes Filter [91.3755431537592]
本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
論文参考訳（メタデータ） (2022-03-09T14:08:38Z)
Efficient training of physics-informed neural networks via importance sampling [2.9005223064604078]
Physics-In Neural Networks(PINN)は、偏微分方程式(PDE)によって制御されるシステムを計算するために訓練されているディープニューラルネットワークのクラスである。重要サンプリング手法により,PINN訓練の収束挙動が改善されることが示唆された。
論文参考訳（メタデータ） (2021-04-26T02:45:10Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。