Fugu-MT 論文翻訳(概要): ARDO: A Weak Formulation Deep Neural Network Method for Elliptic and Parabolic PDEs Based on Random Differences of Test Functions

論文の概要: ARDO: A Weak Formulation Deep Neural Network Method for Elliptic and Parabolic PDEs Based on Random Differences of Test Functions

arxiv url: http://arxiv.org/abs/2509.03757v1
Date: Wed, 03 Sep 2025 22:54:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-05 20:21:09.990465
Title: ARDO: A Weak Formulation Deep Neural Network Method for Elliptic and Parabolic PDEs Based on Random Differences of Test Functions
Title（参考訳）: ARDO:テスト関数のランダム差に基づく楕円型PDEとパラボリックPDEの弱定式化ディープニューラルネットワーク手法
Authors: Wei Cai, Andrew Qing He,
Abstract要約: 深層学習技術を用いたPDEおよびPDE関連問題の解法としてARDO法を提案する。このフレームワークの主な利点は、ソリューションニューラルネットワークに関して完全に微分自由であることだ。このフレームワークは、Fokker-Planck型2階楕円型およびパラボリックPDEに特に適している。
参考スコア（独自算出の注目度）: 2.9762212209762606
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose ARDO method for solving PDEs and PDE-related problems with deep learning techniques. This method uses a weak adversarial formulation but transfers the random difference operator onto the test function. The main advantage of this framework is that it is fully derivative-free with respect to the solution neural network. This framework is particularly suitable for Fokker-Planck type second-order elliptic and parabolic PDEs.
Abstract（参考訳）: 深層学習技術を用いたPDEおよびPDE関連問題の解法としてARDO法を提案する。この方法は、弱い逆数式を用いるが、ランダム差分演算子をテスト関数に転送する。このフレームワークの主な利点は、ソリューションニューラルネットワークに関して完全に微分自由であることだ。このフレームワークは、Fokker-Planck型2階楕円型およびパラボリックPDEに特に適している。

関連論文リスト

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)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文参考訳（メタデータ） (2022-07-18T15:11:43Z)
Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。 PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文参考訳（メタデータ） (2022-02-15T18:43:17Z)
DiffNet: Neural Field Solutions of Parametric Partial Differential Equations [30.80582606420882]
我々は、ニューラルネットワークをトレーニングし、PDEに対するソリューションのフィールド予測を生成するメッシュベースのアプローチを検討する。パラメトリック楕円PDE上の有限要素法(FEM)に基づく重み付きガレルキン損失関数を用いる。 PDE に対する有限要素解に展開されたメッシュ収束解析に類似した,理論的に検証し,実験により考察する。
論文参考訳（メタデータ） (2021-10-04T17:59:18Z)
PDE-constrained Models with Neural Network Terms: Optimization and Global Convergence [0.0]
近年の研究では、ディープラーニングを用いて、科学と工学における偏微分方程式(PDE)モデルを開発した。ニューラルネットワークを用いた線形楕円型PDEの最適化について厳密に研究する。ニューラルネットワークは,レイノルズ平均ナヴィエ・ストークス方程式の閉包モデルとして機能する流体力学への応用のために,ニューラルネットワークモデルを訓練する。
論文参考訳（メタデータ） (2021-05-18T16:04:33Z)
Adversarial Multi-task Learning Enhanced Physics-informed Neural Networks for Solving Partial Differential Equations [9.823102211212582]
本稿では,多タスク学習手法,不確実性強調損失,勾配手術を学習pdeソリューションの文脈で活用する新しいアプローチを提案する。実験では,提案手法が有効であることが判明し,従来手法と比較して未発見のデータポイントの誤差を低減できた。
論文参考訳（メタデータ） (2021-04-29T13:17:46Z)
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)
Hybrid FEM-NN models: Combining artificial neural networks with the finite element method [0.0]
本稿では, ニューラルネットワークと物理原理制約を組み合わせた偏微分方程式(PDE)の手法を提案する。このアプローチでは、PDEを損失関数の一部とする最適化の強い制約として尊重しながら、ニューラルネットワークをトレーニングすることができる。本稿では,ディープニューラルネットワークを用いた複雑な心筋モデル問題の解法を示す。
論文参考訳（メタデータ） (2021-01-04T13:36:06Z)

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。