論文の概要: Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations

• arxiv url: http://arxiv.org/abs/2601.01021v1
• Date: Sat, 03 Jan 2026 00:59:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.945841
• Title: Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations
• Title（参考訳）: カオスの拡張:確率微分方程式のニューラル演算子
• Authors: Dai Shi, Lequan Lin, Andi Han, Luke Thompson, José Miguel Hernández-Lobato, Zhiyong Wang, Junbin Gao,
• Abstract要約: 我々はWienerカオス拡張(WCE)に基づいて、SPDEとSDEのためのニューラル演算子(NO)アーキテクチャを設計する。 WCEベースのニューラル演算子は、SDE/SPDEソリューション演算子を学習するための実用的でスケーラブルな方法を提供する。
• 参考スコア（独自算出の注目度）: 65.80144621950981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic differential equations (SDEs) and stochastic partial differential equations (SPDEs) are fundamental tools for modeling stochastic dynamics across the natural sciences and modern machine learning. Developing deep learning models for approximating their solution operators promises not only fast, practical solvers, but may also inspire models that resolve classical learning tasks from a new perspective. In this work, we build on classical Wiener chaos expansions (WCE) to design neural operator (NO) architectures for SPDEs and SDEs: we project the driving noise paths onto orthonormal Wick Hermite features and parameterize the resulting deterministic chaos coefficients with neural operators, so that full solution trajectories can be reconstructed from noise in a single forward pass. On the theoretical side, we investigate the classical WCE results for the class of multi-dimensional SDEs and semilinear SPDEs considered here by explicitly writing down the associated coupled ODE/PDE systems for their chaos coefficients, which makes the separation between stochastic forcing and deterministic dynamics fully explicit and directly motivates our model designs. On the empirical side, we validate our models on a diverse suite of problems: classical SPDE benchmarks, diffusion one-step sampling on images, topological interpolation on graphs, financial extrapolation, parameter estimation, and manifold SDEs for flood prediction, demonstrating competitive accuracy and broad applicability. Overall, our results indicate that WCE-based neural operators provide a practical and scalable way to learn SDE/SPDE solution operators across diverse domains.
• Abstract（参考訳）: 確率微分方程式 (SDEs) と確率偏微分方程式 (SPDEs) は、自然科学や現代の機械学習にまたがる確率力学をモデル化するための基本的なツールである。 解演算子を近似するためのディープラーニングモデルの開発は、高速で実用的な解法を約束するだけでなく、古典的な学習タスクを新しい視点から解決するモデルにも刺激を与えるかもしれない。 本研究では,SPDE と SDE のためのニューラル演算子 (NO) アーキテクチャを設計するために,古典的な Wiener カオス拡張 (WCE) を構築した。 理論的には、多次元SDEと半線形SPDEのクラスに対する古典的なWCE結果について、それらのカオス係数に対して関連付けられたODE/PDEシステムを明示的に記述することにより、確率的強制と決定論的ダイナミクスの分離を完全に明確化し、モデル設計を直接動機付ける。 実験的な面では,従来のSPDEベンチマーク,画像上の拡散一段階のサンプリング,グラフ上のトポロジ的補間,財務外挿,パラメータ推定,洪水予測のための多様体SDE,競合精度と広い適用性など,さまざまな問題に対してモデルを検証した。 全体として、WCEベースのニューラル演算子は、様々な領域にわたるSDE/SPDEソリューション演算子を実践的かつスケーラブルに学習する方法を提供する。

関連論文リスト

• HGAN-SDEs: Learning Neural Stochastic Differential Equations with Hermite-Guided Adversarial Training [3.4515388499147654]
  HGAN-SDEは,ニューラルエルマイト関数を利用して,構造化された効率的な識別器を構築する新しいGANベースのフレームワークである。 HGAN-SDEは,既存のSDE生成モデルと比較して,サンプル品質と学習効率が優れている。
  論文  参考訳（メタデータ） (2025-12-23T11:25:22Z)
• Neural SDEs as a Unified Approach to Continuous-Domain Sequence Modeling [3.8980564330208662]
  本稿では,連続シーケンスモデリングに対する新しい直感的なアプローチを提案する。 本手法は, 時系列データを, 基礎となる連続力学系からのtextitdiscrete サンプルとして解釈する。 我々は、ニューラルネットワークSDEモデルの効率的なトレーニングのための、最大原理的目的とテクスティシミュレーションなしスキームを導出する。
  論文  参考訳（メタデータ） (2025-01-31T03:47:22Z)
• 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)
• Neural Laplace: Learning diverse classes of differential equations in the Laplace domain [86.52703093858631]
  本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。 時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。 The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
  論文  参考訳（メタデータ） (2022-06-10T02:14:59Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Neural Stochastic Partial Differential Equations [1.2183405753834562]
  物理に着想を得たニューラルアーキテクチャの2つの重要なクラスの拡張を提供するニューラルSPDEモデルを導入する。 一方、一般的な神経-通常、制御され、粗い-微分方程式モデルをすべて拡張し、入ってくる情報を処理することができる。 一方、関数空間間のマッピングをモデル化するニューラルネットワークの最近の一般化であるNeural Operatorsを拡張して、複雑なSPDEソリューション演算子を学習することができる。
  論文  参考訳（メタデータ） (2021-10-19T20:35:37Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。