論文の概要: A DeepONet joint Neural Tangent Kernel Hybrid Framework for Physics-Informed Inverse Source Problems and Robust Image Reconstruction
- arxiv url: http://arxiv.org/abs/2511.00338v1
- Date: Sat, 01 Nov 2025 00:49:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:26.723917
- Title: A DeepONet joint Neural Tangent Kernel Hybrid Framework for Physics-Informed Inverse Source Problems and Robust Image Reconstruction
- Title（参考訳）: 物理インフォームド逆元問題とロバスト画像再構成のためのDeepONet結合型ニューラルネットワークカーネルハイブリッドフレームワーク
- Authors: Yuhao Fang, Zijian Wang, Yao Lu, Ye Zhang, Chun Li,
- Abstract要約: 本研究では,Deep Operator Networks(DeepONet)とNeural Tangent Kernel(NTK)を統合し,複雑な逆問題の解法を提案する。
この方法は,Navier-Stokes方程式が支配するソースローカライゼーションや画像再構成といったタスクを効果的に処理し,非線形性,疎性,ノイズデータに関わる課題を克服する。
- 参考スコア（独自算出の注目度）: 13.339856584883242
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work presents a novel hybrid approach that integrates Deep Operator Networks (DeepONet) with the Neural Tangent Kernel (NTK) to solve complex inverse problem. The method effectively addresses tasks such as source localization governed by the Navier-Stokes equations and image reconstruction, overcoming challenges related to nonlinearity, sparsity, and noisy data. By incorporating physics-informed constraints and task-specific regularization into the loss function, the framework ensures solutions that are both physically consistent and accurate. Validation on diverse synthetic and real datasets demonstrates its robustness, scalability, and precision, showcasing its broad potential applications in computational physics and imaging sciences.
- Abstract（参考訳）: 本研究では,Deep Operator Networks(DeepONet)とNeural Tangent Kernel(NTK)を統合し,複雑な逆問題の解法を提案する。
この方法は,Navier-Stokes方程式が支配するソースローカライゼーションや画像再構成といったタスクを効果的に処理し,非線形性,疎性,ノイズデータに関わる課題を克服する。
物理インフォームド制約とタスク固有の正規化を損失関数に組み込むことで、このフレームワークは物理的に一貫性があり、正確であるソリューションを保証する。
多様な合成および実際のデータセットに対する検証は、その堅牢性、スケーラビリティ、精度を示し、計算物理学および画像科学におけるその幅広い可能性を示している。
関連論文リスト
- Physics-Informed Deep Contrast Source Inversion: A Unified Framework for Inverse Scattering Problems [23.533153154632082]
本稿では,高速かつ高精度な媒体再構成のための物理インフォームド・ディープコントラスト・ソース・インバージョン・フレームワーク(DeepCSI)を提案する。
コントラスト源インバージョン(CSI)とニューラル演算子法にインスパイアされた残留多層パーセプトロン(ResMLP)は、電流分布をモデル化するために用いられる。
DeepCSIは、完全データ、位相なしデータ、多周波条件下で、高精度で堅牢な再構成を実現する。
論文 参考訳（メタデータ） (2025-08-14T11:50:16Z) - Hybrid Two-Stage Reconstruction of Multiscale Subsurface Flow with Physics-informed Residual Connected Neural Operator [6.1607662231604445]
本稿では,マルチスケール基底関数と物理誘導深層学習を用いてDarcyフロー問題を解決するハイブリッド2段階フレームワークを提案する。
このフレームワークは、基底関数の嵌合と圧力再構成の点で0.9以上のR2値を達成し、残差指標は10-4$のオーダーである。
論文 参考訳（メタデータ） (2025-01-22T23:28:03Z) - TensorGRaD: Tensor Gradient Robust Decomposition for Memory-Efficient Neural Operator Training [91.8932638236073]
textbfTensorGRaDは,重み付けに伴うメモリ問題に直接対処する新しい手法である。
SparseGRaD は総メモリ使用量を 50% 以上削減し,同時に精度も向上することを示した。
論文 参考訳（メタデータ） (2025-01-04T20:51:51Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳（メタデータ） (2023-02-19T20:33:32Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳（メタデータ） (2021-10-14T14:05:19Z) - Physics and Equality Constrained Artificial Neural Networks: Application
to Partial Differential Equations [1.370633147306388]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。
本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-30T05:55:35Z)
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。