論文の概要: Enhanced DeepONet for 1-D consolidation operator learning: an architectural investigation

• arxiv url: http://arxiv.org/abs/2507.10368v1
• Date: Mon, 14 Jul 2025 15:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:25.261825
• Title: Enhanced DeepONet for 1-D consolidation operator learning: an architectural investigation
• Title（参考訳）: 1次元コンソリデーション演算子学習のためのDeepONetの強化
• Authors: Yongjin Choi, Chenying Liu, Jorge Macedo,
• Abstract要約: Deep Operator Networks (DeepONets) は、PDEが支配するシステムにおいて、ソリューション演算子を学習するための強力な代理モデリングフレームワークとして登場した。 本研究では,一次元凝縮問題に対する複数のDeepONetアーキテクチャを体系的に評価する。
• 参考スコア（独自算出の注目度）: 1.1743167854433305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Operator Networks (DeepONets) have emerged as a powerful surrogate modeling framework for learning solution operators in PDE-governed systems. While their use is expanding across engineering disciplines, applications in geotechnical engineering remain limited. This study systematically evaluates several DeepONet architectures for the one-dimensional consolidation problem. We initially consider three architectures: a standard DeepONet with the coefficient of consolidation embedded in the branch net (Models 1 and 2), and a physics-inspired architecture with the coefficient embedded in the trunk net (Model 3). Results show that Model 3 outperforms the standard configurations (Models 1 and 2) but still has limitations when the target solution (excess pore pressures) exhibits significant variation. To overcome this limitation, we propose a Trunknet Fourier feature-enhanced DeepONet (Model 4) that addresses the identified limitations by capturing rapidly varying functions. All proposed architectures achieve speedups ranging from 1.5 to 100 times over traditional explicit and implicit solvers, with Model 4 being the most efficient. Larger computational savings are expected for more complex systems than the explored 1D case, which is promising. Overall, the study highlights the potential of DeepONets to enable efficient, generalizable surrogate modeling in geotechnical applications, advancing the integration of scientific machine learning in geotechnics, which is at an early stage.
• Abstract（参考訳）: Deep Operator Networks (DeepONets) は、PDEが支配するシステムにおいて、ソリューション演算子を学習するための強力な代理モデリングフレームワークとして登場した。 彼らの利用は工学の分野にまたがって拡大しているが、地球工学の応用は依然として限られている。 本研究では,一次元凝縮問題に対する複数のDeepONetアーキテクチャを体系的に評価する。 まず,分枝網に収束係数を組み込んだ標準のDeepONet(モデル1)と,幹網に埋没係数を組み込んだ物理インスピレーションアーキテクチャ(モデル3)について検討した。 その結果、モデル3は標準構成(モデル1、モデル2)より優れていますが、ターゲットのソリューション(細孔圧力)が大きなばらつきを示す場合、まだ制限があります。 この制限を克服するために、高速に変化する関数をキャプチャすることで、識別された制限に対処するTrunknet Fourier機能強化のDeepONet(Model 4)を提案する。 提案されたアーキテクチャはすべて、従来の明示的で暗黙的な解法よりも1.5倍から100倍のスピードアップを実現している。 探索された1Dケースよりも複雑なシステムでは,より大きな計算コストが期待できる。 全体として、この研究は、地球工学応用における効率的で一般化可能な代理モデリングを可能にするためのDeepONetsの可能性を強調し、地球工学における科学的機械学習の統合を早めている。

関連論文リスト

• Dynamic-DINO: Fine-Grained Mixture of Experts Tuning for Real-time Open-Vocabulary Object Detection [10.639484582036088]
  本研究では,DINO 1.5 Edge を高密度モデルから効率的な MoE-Tuning 戦略により動的推論フレームワークに拡張する Dynamic-DINO を提案する。 また、ベースモデルのフィードフォワードネットワーク(FFN)を複数のより小さな専門家ネットワークに分解する分解機構を設計する。 実験によると、わずか1.56Mのオープンソースデータで事前トレーニングされたDynamic-DINOは、プライベートなGrounding20Mデータセットで事前トレーニングされたGrounding DINO 1.5 Edgeよりパフォーマンスが優れている。
  論文  参考訳（メタデータ） (2025-07-23T11:51:06Z)
• Towards Depth Foundation Model: Recent Trends in Vision-Based Depth Estimation [75.30238170051291]
  深さ推定は3Dコンピュータビジョンの基本課題であり、3D再構成、自由視点レンダリング、ロボティクス、自律運転、AR/VR技術といった応用に不可欠である。 LiDARのようなハードウェアセンサーに依存する従来の方法は、しばしば高コスト、低解像度、環境感度によって制限され、現実のシナリオで適用性を制限する。 ビジョンベースの手法の最近の進歩は有望な代替手段を提供するが、低容量モデルアーキテクチャやドメイン固有の小規模データセットへの依存のため、一般化と安定性の課題に直面している。
  論文  参考訳（メタデータ） (2025-07-15T17:59:59Z)
• When Network Architecture Meets Physics: Deep Operator Learning for Coupled Multiphysics [0.36651088217486427]
  本稿では, 単一物理系, 弱い結合系, 強く結合した多物理系という三つの状態におけるDeepONet変種を包括的に評価する。 本研究では, 双対空間入力を持つ反応拡散方程式, 温度依存性の導電率による双方向結合を有する非線形熱電問題, 過渡相駆動相互作用によって制御される鋼凝固の粘塑性熱-機械モデルについて考察する。 物理カップリングによるアーキテクチャの整合性が重要であるのに対し,マルチブランチ符号化は疎結合や単一物理問題に有利であることを示す。
  論文  参考訳（メタデータ） (2025-07-04T15:36:15Z)
• On Accelerating Edge AI: Optimizing Resource-Constrained Environments [1.7355861031903428]
  リソース制約のあるエッジデプロイメントでは、厳格な計算、メモリ、エネルギー制限とハイパフォーマンスのバランスをとるAIソリューションが要求される。 本稿では,このような制約下でのディープラーニングモデルを加速するための主要な戦略について概観する。
  論文  参考訳（メタデータ） (2025-01-25T01:37:03Z)
• Physics-Informed Latent Neural Operator for Real-time Predictions of Complex Physical Systems [0.0]
  本稿では,制御物理を直接学習プロセスに統合する物理インフォームトニューラルネットワークフレームワークPI-Latent-NOを提案する。 私たちのアーキテクチャでは、ソリューションの低次元表現を学習するLatent-DeepONetと、この遅延表現を物理空間にマッピングするRestruction-DeepONetという、2つの結合したDeepONetsトレーニングのエンドツーエンドが特徴です。
  論文  参考訳（メタデータ） (2025-01-14T20:38:30Z)
• EM-DARTS: Hierarchical Differentiable Architecture Search for Eye Movement Recognition [20.209756662832365]
  微分可能なニューラルアーキテクチャサーチ(DARTS)は、高い探索効率でアーキテクチャ設計のマニュアルプロセスを自動化する。 眼球運動認識のためのDLアーキテクチャを自動設計する階層的微分可能なアーキテクチャ探索アルゴリズムEM-DARTSを提案する。 EM-DARTSは、最先端の認識性能につながる最適なアーキテクチャを実現できることを示す。
  論文  参考訳（メタデータ） (2024-09-22T13:11:08Z)
• OTOv3: Automatic Architecture-Agnostic Neural Network Training and Compression from Structured Pruning to Erasing Operators [57.145175475579315]
  このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。 第3世代のOTOv3(Noth-Train-Once)を導入する。 我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-15T00:22:55Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• General-Purpose Multimodal Transformer meets Remote Sensing Semantic Segmentation [35.100738362291416]
  マルチモーダルAIは、特にセマンティックセグメンテーションのような複雑なタスクのために、補完的なデータソースを活用する。 汎用マルチモーダルネットワークの最近のトレンドは、最先端の性能を達成する大きな可能性を示している。 本稿では,3次元畳み込みを利用して重要なローカル情報をエンコードし,同時にモーダルな特徴を学習するUNet型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-07-07T04:58:34Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• 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)
• iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
  微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。 暗黙の関数定理に基づいてDARTSの過次計算に取り組む。 提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
  論文  参考訳（メタデータ） (2021-06-21T00:44:11Z)

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。