Fugu-MT 論文翻訳(概要): Hard Constraint Projection in a Physics Informed Neural Network

論文の概要: Hard Constraint Projection in a Physics Informed Neural Network

arxiv url: http://arxiv.org/abs/2601.06244v1
Date: Fri, 09 Jan 2026 18:30:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:00.714484
Title: Hard Constraint Projection in a Physics Informed Neural Network
Title（参考訳）: 物理インフォームドニューラルネットワークにおけるハード制約射影
Authors: Miranda J. S. Horne, Peter K. Jimack, Amirul Khan, He Wang,
Abstract要約: 本研究では、2次元非圧縮性ナビエストークス方程式の解を予測する物理情報ニューラルネットワーク(PINN)にハード制約を埋め込む。
参考スコア（独自算出の注目度）: 4.814670685519155
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we embed hard constraints in a physics informed neural network (PINN) which predicts solutions to the 2D incompressible Navier Stokes equations. We extend the hard constraint method introduced by Chen et al. (arXiv:2012.06148) from a linear PDE to a strongly non-linear PDE. The PINN is used to estimate the stream function and pressure of the fluid, and by differentiating the stream function we can recover an incompressible velocity field. An unlearnable hard constraint projection (HCP) layer projects the predicted velocity and pressure to a hyperplane that admits only exact solutions to a discretised form of the governing equations.
Abstract（参考訳）: 本研究では、2次元非圧縮性ナビエストークス方程式の解を予測する物理情報ニューラルネットワーク(PINN)にハード制約を埋め込む。我々は Chen らによって導入されたハード制約法 (arXiv:2012.06148) を線形 PDE から強非線形 PDE へ拡張する。 PINNは流体の流動関数と圧力を推定し、流動関数を微分することにより、圧縮不能な速度場を復元することができる。学習不能なハード制約射影(HCP)層は、予測速度と圧力を超平面に投影し、支配方程式の離散化された形式に対する正確な解しか持たない。

関連論文リスト

Solution of Incompressible Flow Equations with Physics and Equality Constrained Artificial Neural Networks [0.0]
本稿では,非圧縮性ナビエ・ストークス方程式の対流支配状態における解を求めるメッシュレス手法を提案する。単一ニューラルネットワークは速度場と圧力場の両方をパラメータ化し、圧力に対するポアソン方程式の残差を最小化して訓練する。提案手法は,レノルズ数7,500までの標準蓋駆動キャビティ流れと,流入流境界条件を有する円柱上の層流について実証した。
論文参考訳（メタデータ） (2025-11-24T06:54:20Z)
Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
論文参考訳（メタデータ） (2024-11-28T13:16:20Z)
Learning Generic Solutions for Multiphase Transport in Porous Media via the Flux Functions Operator [0.0]
DeepDeepONetは、レンダリングフラックスDEを高速化する強力なツールとして登場した。我々は、入力ペア出力の観測を伴わずにこのマッピングを実現するために、Physical-In DeepONets (PI-DeepONets) を用いている。
論文参考訳（メタデータ） (2023-07-03T21:10:30Z)
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)
Investigating and Mitigating Failure Modes in Physics-informed Neural Networks (PINNs) [0.0]
本稿では,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(PDE)の解法について検討する。 PINNは客観的関数の正規化用語として物理を用いるが、この手法はデータの欠如や解の事前知識の欠如において実用的ではない。以上の結果から,高次PDEは逆伝播勾配を汚染し,収束を阻害することが明らかとなった。
論文参考訳（メタデータ） (2022-09-20T20:46:07Z)
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)
Lagrangian PINNs: A causality-conforming solution to failure modes of physics-informed neural networks [5.8010446129208155]
物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワークを利用して偏微分方程式(PDE)に制約された最適化問題の解を求める。境界条件が厳格に強制された場合でも,トレーニングの課題は継続することを示す。 PDEインフォームド・ソリューションとして,ラグランジアン・フレーム(LPINN)上でのPINNの再構成を提案する。
論文参考訳（メタデータ） (2022-05-05T19:48:05Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文参考訳（メタデータ） (2021-11-06T03:41:34Z)
Physics-informed neural networks with hard constraints for inverse design [3.8191831921441337]
本稿では、トポロジ最適化のための新しいディープラーニング手法、物理インフォームドニューラルネットワーク(hPINN)を提案する。光学系におけるホログラフィー問題とストークス流の流体問題に対するhPINNの有効性を示す。
論文参考訳（メタデータ） (2021-02-09T03:18:15Z)

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。