論文の概要: Supervised Metric Regularization Through Alternating Optimization for Multi-Regime Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2602.09980v1
• Date: Tue, 10 Feb 2026 17:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.695287
• Title: Supervised Metric Regularization Through Alternating Optimization for Multi-Regime Physics-Informed Neural Networks
• Title（参考訳）: マルチレジム物理インフォームドニューラルネットワークの交互最適化による平均正規化の促進
• Authors: Enzo Nicolas Spotorno, Josafat Ribeiro Leal, Antonio Augusto Frohlich,
• Abstract要約: PINNは、分岐のような急激な状態遷移を持つ力学系をモデル化する際に、しばしば課題に直面している。 我々は,この課題を,Supervised Metric Regularizationによる潜在空間によって緩和することを目的としたTopology-Aware PINN(TAPINN)を提案する。 Duffingの予備実験では、標準ベースラインはスペクトルバイアスと高容量勾配ネットワークのオーバーフィットに悩まされているが、本手法は、マルチ出力ソボレフ誤差ベースラインよりも2.18倍低い分散と、ハイパーネットワークベースの代替よりも5倍少ないパラメータで安定した収束を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard Physics-Informed Neural Networks (PINNs) often face challenges when modeling parameterized dynamical systems with sharp regime transitions, such as bifurcations. In these scenarios, the continuous mapping from parameters to solutions can result in spectral bias or "mode collapse", where the network averages distinct physical behaviors. We propose a Topology-Aware PINN (TAPINN) that aims to mitigate this challenge by structuring the latent space via Supervised Metric Regularization. Unlike standard parametric PINNs that map physical parameters directly to solutions, our method conditions the solver on a latent state optimized to reflect the metric-based separation between regimes, showing ~49% lower physics residual (0.082 vs. 0.160). We train this architecture using a phase-based Alternating Optimization (AO) schedule to manage gradient conflicts between the metric and physics objectives. Preliminary experiments on the Duffing Oscillator demonstrate that while standard baselines suffer from spectral bias and high-capacity Hypernetworks overfit (memorizing data while violating physics), our approach achieves stable convergence with 2.18x lower gradient variance than a multi-output Sobolev Error baseline, and 5x fewer parameters than a hypernetwork-based alternative.
• Abstract（参考訳）: 標準物理情報ニューラルネットワーク(PINN)は、分岐のような鋭い状態遷移を持つパラメータ化力学系をモデル化する場合、しばしば課題に直面している。 これらのシナリオでは、パラメータからソリューションへの継続的なマッピングは、ネットワークが異なる物理的な振る舞いを平均するスペクトルバイアスや「モード崩壊」をもたらす可能性がある。 そこで我々は,この課題を緩和するためのTopology-Aware PINN (TAPINN) を提案する。 物理パラメータを直接解にマッピングする標準パラメトリックPINNとは異なり、我々の方法では、レギュレーション間の計量ベースの分離を反映するように最適化された潜在状態の解法を条件として、約49%の物理残差(0.082 vs. 0.160)を示した。 我々はこのアーキテクチャを、位相ベースの交代最適化(AO)スケジュールを用いて訓練し、計量と物理の目的の間の勾配の衝突を管理する。 Duffing Oscillatorの予備実験では、標準ベースラインはスペクトルバイアスと高容量ハイパーネットワークスオーバーフィット(物理を侵害しながらデータを記憶する)に悩まされているが、我々の手法は、マルチ出力ソボレフ誤差ベースラインよりも2.18倍低い勾配分散と、ハイパーネットワークベースの代替品よりも5倍少ないパラメータで安定した収束を実現する。

関連論文リスト

• Hephaestus: Mixture Generative Modeling with Energy Guidance for Large-scale QoS Degradation [44.97875113025023]
  本稿では,QoSD(Quality of Service Degradation)問題について考察する。 非線形エッジウェイト関数の下では、RefineD問題に直接対処する先行モデルは存在しない。 この研究は、潜在空間における実現可能な解を合成する自己強化フレームワークであるPIMMAを提案する。
  論文  参考訳（メタデータ） (2025-10-19T22:48:35Z)
• APRIL: Auxiliary Physically-Redundant Information in Loss - A physics-informed framework for parameter estimation with a gravitational-wave case study [0.0]
  物理情報ニューラルネットワーク(PINN)は、ニューラルネットワークのトレーニングに直接、システムを管理する偏微分方程式を組み込む。 本稿では,損失に物理的に依存する補助的な情報を含めることによる補完的アプローチを提案する。 数学的にこれらの用語は、損失景観を再構成しながら、真の物理的最小値を保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-15T15:34:19Z)
• Kernel-Adaptive PI-ELMs for Forward and Inverse Problems in PDEs with Sharp Gradients [0.0]
  本稿では,KAPI-ELM(Kernel Adaptive Physics-Informed Extreme Learning Machine)を紹介する。 局所的急勾配を含む前方および逆部分微分方程式(PDE)の問題を解くように設計されている。 KAPI-ELMは、フォワード設定と逆設定の両方で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2025-07-14T13:03:53Z)
• Equivariant Eikonal Neural Networks: Grid-Free, Scalable Travel-Time Prediction on Homogeneous Spaces [42.33765011920294]
  等価ニューラルネットワーク(ENF)とニューラルアイコンの解法を統合する新しいフレームワークを提案する。 我々のアプローチでは、信号固有の潜伏変数に統一された共有バックボーンが条件付けられた単一のニューラルネットワークを用いる。 2次元, 3次元, 球面ベンチマークデータセットの地震波走行時間モデリングへの応用を通して, 本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2025-05-21T21:29:18Z)
• Preconditioned FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems [41.94295877935867]
  偏微分方程式で記述された技術システムの数値シミュレーションと最適化は高価である。 この文脈で比較的新しいアプローチは、ニューラルネットワークの優れた近似特性と古典的有限要素法を組み合わせることである。 本稿では, この手法を, サドルポイント問題と非線形流体力学問題に拡張する。
  論文  参考訳（メタデータ） (2024-09-06T07:17:01Z)
• Grad-Shafranov equilibria via data-free physics informed neural networks [0.0]
  PINNはいくつかの異なる境界条件でGrad-Shafranov方程式を正確かつ効果的に解くことができることを示す。 パラメータ化PINNフレームワークを導入し、入力空間を圧力、アスペクト比、伸長、三角度などの変数を含むように拡張する。
  論文  参考訳（メタデータ） (2023-11-22T16:08:38Z)
• A Stable and Scalable Method for Solving Initial Value PDEs with Neural Networks [52.5899851000193]
  我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。 このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。 まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
  論文  参考訳（メタデータ） (2023-04-28T17:28:18Z)
• Kinematically consistent recurrent neural networks for learning inverse problems in wave propagation [0.0]
  そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。 特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。 控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
  論文  参考訳（メタデータ） (2021-10-08T05:51:32Z)
• Optimal Transport Based Refinement of Physics-Informed Neural Networks [0.0]
  我々は、最適輸送(OT)の概念に基づく偏微分方程式(PDE)の解法として、よく知られた物理情報ニューラルネットワーク(PINN)の改良戦略を提案する。 PINNの解法は、完全接続された病理のスペクトルバイアス、不安定な勾配、収束と精度の難しさなど、多くの問題に悩まされている。 本稿では,既存の PINN フレームワークを補完する OT-based sample を用いて,Fokker-Planck-Kolmogorov Equation (FPKE) を解くための新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-26T02:51:20Z)

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。