論文の概要: Spectral Embedding via Chebyshev Bases for Robust DeepONet Approximation

• arxiv url: http://arxiv.org/abs/2512.09165v1
• Date: Tue, 09 Dec 2025 22:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.336865
• Title: Spectral Embedding via Chebyshev Bases for Robust DeepONet Approximation
• Title（参考訳）: 頑健なDeepONet近似のためのChebyshevベースを用いたスペクトル埋め込み
• Abstract要約: SpectralEmbeded DeepONet (SEDNet) は、トランクが座標入力ではなく、固定されたチェビシェフスペクトル辞書によって駆動される新しい変種である。 SEDNetは一貫して、DeepONet、FEDONet、SEDONetの間で最も低い相対的なL2エラーを達成しており、ベースラインのDeepONetよりも平均30～40%改善されている。
• 参考スコア（独自算出の注目度）: 0.6752538702870791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Operator Networks (DeepONets) have become a central tool in data-driven operator learning, providing flexible surrogates for nonlinear mappings arising in partial differential equations (PDEs). However, the standard trunk design based on fully connected layers acting on raw spatial or spatiotemporal coordinates struggles to represent sharp gradients, boundary layers, and non-periodic structures commonly found in PDEs posed on bounded domains with Dirichlet or Neumann boundary conditions. To address these limitations, we introduce the Spectral-Embedded DeepONet (SEDONet), a new DeepONet variant in which the trunk is driven by a fixed Chebyshev spectral dictionary rather than coordinate inputs. This non-periodic spectral embedding provides a principled inductive bias tailored to bounded domains, enabling the learned operator to capture fine-scale non-periodic features that are difficult for Fourier or MLP trunks to represent. SEDONet is evaluated on a suite of PDE benchmarks including 2D Poisson, 1D Burgers, 1D advection-diffusion, Allen-Cahn dynamics, and the Lorenz-96 chaotic system, covering elliptic, parabolic, advective, and multiscale temporal phenomena, all of which can be viewed as canonical problems in computational mechanics. Across all datasets, SEDONet consistently achieves the lowest relative L2 errors among DeepONet, FEDONet, and SEDONet, with average improvements of about 30-40% over the baseline DeepONet and meaningful gains over Fourier-embedded variants on non-periodic geometries. Spectral analyses further show that SEDONet more accurately preserves high-frequency and boundary-localized features, demonstrating the value of Chebyshev embeddings in non-periodic operator learning. The proposed architecture offers a simple, parameter-neutral modification to DeepONets, delivering a robust and efficient spectral framework for surrogate modeling of PDEs on bounded domains.
• Abstract（参考訳）: Deep Operator Networks (DeepONets) はデータ駆動型演算子学習において中心的なツールとなり、偏微分方程式(PDE)で生じる非線形写像に対する柔軟なサロゲートを提供する。 しかしながら、原位置座標や時空間座標に作用する完全連結層に基づく標準的なトランク設計は、ディリクレ境界条件やノイマン境界条件を持つ有界領域上でのPDEでよく見られる鋭い勾配、境界層、および非周期構造を表現するのに苦労する。 これらの制約に対処するため、我々は、トランクが座標入力ではなく、固定されたチェビシェフスペクトル辞書によって駆動される新しいDeepONetであるSpectral-Embeded DeepONet(SEDONet)を導入する。 この非周期スペクトル埋め込みは、有界領域に合わせた帰納的バイアスを与えるため、学習作用素はフーリエやMLPのトランクが表すのが困難である微細な非周期的特徴を捉えることができる。 SEDONetは、2D Poisson, 1D Burgers, 1D advection-diffusion, Allen-Cahn dynamics, Lorenz-96 Chaotic systemを含む一連のPDEベンチマークで評価され、楕円型、放物型、対流型、および多スケールの時間現象をカバーする。 すべてのデータセット全体で、SEDONetは、DeepONet、FEDONet、SEDONetの中で、一貫して最も低い相対的なL2エラーを達成している。 スペクトル解析により、SEDONetは、非周期的演算子学習におけるチェビシェフ埋め込みの価値を証明し、高周波および境界局所化特徴をより正確に保存することを示した。 提案アーキテクチャは、DeepONetsに対する単純でパラメータニュートラルな修正を提供し、境界領域上のPDEのサロゲートモデリングのための堅牢で効率的なスペクトルフレームワークを提供する。

関連論文リスト

• Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
  ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。 メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。 これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
  論文  参考訳（メタデータ） (2026-09-08T01:21:46Z)
• WAVE: Reversing the Guidance Hierarchy for Coarse-to-Fine Guided Depth Super-Resolution [50.15623093332659]
  誘導深度超解像(GDSR)は、通常、畳み込み階層を通してRGB誘導特徴を抽出し、その微細な粗いバイアスを継承する。 本稿では,マルチレベル離散ウェーブレット変換(ML-DWT)を明示的かつ解釈可能な特徴制御機構として導入するWAVEを提案する。 WAVEはサブバンドを利用して、高周波と低周波のコンテンツを別々に処理し、そのソースに誤解を招くRGB色とテクスチャの手がかりをフィルタリングする。
  論文  参考訳（メタデータ） (2026-08-26T02:16:41Z)
• Physics-Integrated Operator Learning via Gaussian Splatting Representations [1.40323503250909]
  本稿では、離散化された解場と支配演算子の間の連続的なインターフェースとして、フィードフォワードガウススプラッティング表現が機能する物理積分への表現レベルアプローチを提案する。 本研究では, 対流, 拡散, 非線形自己対流のロールアウト, 反応力学を含む2次元および3次元PDEシステムにおけるフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-08-25T04:18:08Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Simultaneous CNN Approximation on Manifolds with Applications to Boundary Value Problems [2.815765641180636]
  本稿では,並列近似と楕円境界値問題に対する畳み込みニューラルネットワーク(CNN)手法を提案する。 シングルチャネルCNNとマルチチャネルCNNの同時ソボレフ近似結果を確立する。 境界値問題に特化して設計された物理インフォームドCNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-05T15:35:24Z)
• Compact Circulant Layers with Spectral Priors [1.5755923640031846]
  医療、ロボティクス、自律システムなどの分野における重要な応用には、コンパクトな(メモリ効率のよい)ニューラルネットワークが必要である。 本研究では, コンパクトなスペクトル循環器およびブロック循環器(BCCB)層について検討した。
  論文  参考訳（メタデータ） (2026-02-25T14:48:25Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• FEDONet : Fourier-Embedded DeepONet for Spectrally Accurate Operator Learning [0.21847754147782886]
  DeepONetsは非線形演算子を学習するための強力なデータ駆動フレームワークとして登場した。 FEDONetは従来のDeepONetよりも優れたパフォーマンスを示している。 FEDONetは、すべてのベンチマークPDEに対して一貫して優れた再構築精度を提供する。
  論文  参考訳（メタデータ） (2025-09-15T18:13:28Z)
• Targeted Deep Architectures: A TMLE-Based Framework for Robust Causal Inference in Neural Networks [41.07059178065932]
  ネットワークのパラメータ空間に直接、TMLE(Targeted Likelihood Estimation)を直接埋め込む新しいフレームワークであるTDA(Targeted Deep Architectures)を提案する。 TDAはモデルパラメータを分割し、ターゲットの勾配に沿って反復的に更新する。 この手順は、一階偏差を除去し、有効な信頼区間を生成するプラグイン推定を与える。
  論文  参考訳（メタデータ） (2025-07-16T17:24:06Z)
• Enabling Local Neural Operators to perform Equation-Free System-Level Analysis [1.2468700211588881]
  ニューラルネットワーク(NO)は、物理法則を含む計算のための強力なフレームワークを提供する。 我々は、Krylov部分空間における(局所的な)NOと高度な反復的数値法を統合するフレームワークを提案し、実装する。 3つの非線形PDEベンチマークを通して、我々のフレームワークを説明します。
  論文  参考訳（メタデータ） (2025-05-05T01:17:18Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• 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)
• LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
  エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。 ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs [8.220908558735884]
  偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。 近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。 本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
  論文  参考訳（メタデータ） (2021-06-26T22:22:19Z)

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。