論文の概要: PIBNet: a Physics-Inspired Boundary Network for Multiple Scattering Simulations
- arxiv url: http://arxiv.org/abs/2512.02049v1
- Date: Wed, 26 Nov 2025 16:42:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.532182
- Title: PIBNet: a Physics-Inspired Boundary Network for Multiple Scattering Simulations
- Title（参考訳）: PIBNet:マルチ散乱シミュレーションのための物理インスピレーション付き境界ネットワーク
- Authors: Rémi Marsal, Stéphanie Chaillat,
- Abstract要約: 境界要素法(BEM)は、均質領域における多重散乱問題を解くための効率的な数値的枠組みを提供する。
PIBNetは、解のトレースを近似するために設計された学習ベースのアプローチである。
本稿では,様々な種類の多重散乱問題のデータセットからなるベンチマークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The boundary element method (BEM) provides an efficient numerical framework for solving multiple scattering problems in unbounded homogeneous domains, since it reduces the discretization to the domain boundaries, thereby condensing the computational complexity. The procedure first consists in determining the solution trace on the boundaries of the domain by solving a boundary integral equation, after which the volumetric solution can be recovered at low computational cost with a boundary integral representation. As the first step of the BEM represents the main computational bottleneck, we introduce PIBNet, a learning-based approach designed to approximate the solution trace. The method leverages a physics-inspired graph-based strategy to model obstacles and their long-range interactions efficiently. Then, we introduce a novel multiscale graph neural network architecture for simulating the multiple scattering. To train and evaluate our network, we present a benchmark consisting of several datasets of different types of multiple scattering problems. The results indicate that our approach not only surpasses existing state-of-the-art learning-based methods on the considered tasks but also exhibits superior generalization to settings with an increased number of obstacles. github.com/ENSTA-U2IS-AI/pibnet
- Abstract（参考訳）: 境界要素法(BEM)は、非有界同質領域における多重散乱問題を解くための効率的な数値的枠組みを提供する。
この手順は、まず境界積分方程式を解くことによって領域の境界上の解トレースを決定することで構成され、その後、境界積分表現を用いて、低計算コストで体積解を回収することができる。
BEMの第1ステップとして,解トレースを近似した学習ベースのアプローチであるPIBNetを導入する。
この方法は、物理に着想を得たグラフベースの戦略を利用して、障害物とその長距離相互作用を効率的にモデル化する。
次に、多重散乱をシミュレートする新しいマルチスケールグラフニューラルネットワークアーキテクチャを提案する。
ネットワークをトレーニングし、評価するために、異なる種類の多重散乱問題のデータセットからなるベンチマークを示す。
以上の結果から,本手法は既存の課題の学習手法を超越するだけでなく,障害の増大による設定の一般化に優れることが示された。
github.com/ENSTA-U2IS-AI/pibnet
関連論文リスト
- Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。
多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。
その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
論文 参考訳（メタデータ） (2025-07-24T11:02:13Z) - Multi-level Neural Networks for high-dimensional parametric obstacle problems [0.0]
挑戦的(ランダムな)パラメトリック障害物問題の解法を開発し,解析した。
障害物問題の高次元解は、特別に構築された畳み込みニューラルネットワーク(CNN)によって近似される
数値実験は、この挑戦的な問題に対する最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-04-07T12:50:56Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - A Block-Coordinate Approach of Multi-level Optimization with an
Application to Physics-Informed Neural Networks [0.0]
非線形最適化問題の解法として多レベルアルゴリズムを提案し,その評価複雑性を解析する。
物理インフォームドニューラルネットワーク (PINN) を用いた偏微分方程式の解に適用し, 提案手法がより良い解法と計算量を大幅に削減することを示す。
論文 参考訳（メタデータ） (2023-05-23T19:12:02Z) - A DeepParticle method for learning and generating aggregation patterns
in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。
さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文 参考訳（メタデータ） (2022-08-31T20:52:01Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z)
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。