論文の概要: Hybrid coupling with operator inference and the overlapping Schwarz alternating method

• arxiv url: http://arxiv.org/abs/2511.20687v1
• Date: Thu, 20 Nov 2025 23:30:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.747445
• Title: Hybrid coupling with operator inference and the overlapping Schwarz alternating method
• Title（参考訳）: 演算子推論と重なり合うシュワルツ交互法とのハイブリッド結合
• Authors: Irina Tezaur, Eric Parish, Anthony Gruber, Ian Moore, Christopher Wentland, Alejandro Mota,
• Abstract要約: 本稿では,サブドメイン-局所非侵入型演算子推論 (OpInf) とサブドメイン-局所高忠実フルオーダーモデル (FOM) を重なり合うシュワルツ交互法 (O-SAM) を用いて結合する新しいハイブリッド手法を提案する。 提案手法は,マルチスケールモデリングとシミュレーションにおける重要な課題,特に従来の高忠実度シミュレーションに関連する長大かつ複雑なメッシュ生成要件に対処する。
• 参考スコア（独自算出の注目度）: 35.039136904741824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel hybrid approach for coupling subdomain-local non-intrusive Operator Inference (OpInf) reduced order models (ROMs) with each other and with subdomain-local high-fidelity full order models (FOMs) with using the overlapping Schwarz alternating method (O-SAM). The proposed methodology addresses significant challenges in multiscale modeling and simulation, particularly the long runtime and complex mesh generation requirements associated with traditional high-fidelity simulations. By leveraging the flexibility of O-SAM, we enable the seamless integration of disparate models, meshes, and time integration schemes, enhancing computational efficiency while maintaining high accuracy. Our approach is demonstrated through a series of numerical experiments on complex three-dimensional (3D) solid dynamics problems, showcasing speedups of up to 106x compared to conventional FOM-FOM couplings. This work paves the way for more efficient simulation workflows in engineering applications, with potential extensions to a wide range of partial differential equations.
• Abstract（参考訳）: 本稿では,サブドメイン局所非侵襲的演算子推論 (OpInf) とサブドメイン局所高忠実フルオーダーモデル (FOM) を重なり合うシュワルツ交互法 (O-SAM) を用いて結合する新しいハイブリッド手法を提案する。 提案手法は, マルチスケールモデリングとシミュレーションにおける重要な課題, 特に, 従来の高忠実度シミュレーションに関連する長ランタイムおよび複雑なメッシュ生成要件に対処する。 O-SAMの柔軟性を活用することで、異なるモデル、メッシュ、時間統合スキームのシームレスな統合を可能にし、高い精度を維持しながら計算効率を向上する。 従来のFOM-FOM結合に比べて最大106倍の高速化を示す。 この研究は、工学応用におけるより効率的なシミュレーションワークフローの道のりを開拓し、幅広い偏微分方程式に潜在的に拡張する。

関連論文リスト

• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Accurate and efficient Simulation of very high-dimensional Neural Mass Models with distributed-delay Connectome Tensors [0.23453441553817037]
  本稿では,2つの必須成分によって定義された高次元ニューラルマスモデル(NMM)を効率的に統合する手法を提案する。 1つ目は、各神経質量の力学の非線形ランダム微分方程式の集合である。 2つ目は、接続の強度と各接続の軸線に沿った情報伝達の遅延を符号化する、非常にスパースな3次元コネクトーム(CT)である。
  論文  参考訳（メタデータ） (2020-09-16T05:55:17Z)

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。