Fugu-MT 論文翻訳(概要): Structure-preserving Randomized Neural Networks for Incompressible Magnetohydrodynamics Equations

論文の概要: Structure-preserving Randomized Neural Networks for Incompressible Magnetohydrodynamics Equations

arxiv url: http://arxiv.org/abs/2603.01102v1
Date: Sun, 01 Mar 2026 13:42:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.512234
Title: Structure-preserving Randomized Neural Networks for Incompressible Magnetohydrodynamics Equations
Title（参考訳）: 非圧縮磁性流体力学方程式のための構造保存ランダム化ニューラルネットワーク
Authors: Yunlong Li, Fei Wang, Lingxiao Li,
Abstract要約: 我々は、非圧縮性磁気流体力学(MHD)方程式を解くための新しい枠組みを開発する。強い非線形性と二重発散のない制約を保っている。より高精度で、より高速な収束を実現し、分散自由制約の厳密な適用を実現している。
参考スコア（独自算出の注目度）: 14.314318817152165
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The incompressible magnetohydrodynamic (MHD) equations are fundamental in many scientific and engineering applications. However, their strong nonlinearity and dual divergence-free constraints make them highly challenging for conventional numerical solvers. To overcome these difficulties, we propose a Structure-Preserving Randomized Neural Network (SP-RaNN) that automatically and exactly satisfies the divergence-free conditions. Unlike deep neural network (DNN) approaches that rely on expensive nonlinear and nonconvex optimization, SP-RaNN reformulates the training process into a linear least-squares system, thereby eliminating nonconvex optimization. The method linearizes the governing equations through Picard or Newton iterations, discretizes them at collocation points within the domain and on the boundaries using finite-difference schemes, and solves the resulting linear system via a linear least-squares procedure. By design, SP-RaNN preserves the intrinsic mathematical structure of the equations within a unified space-time framework, ensuring both stability and accuracy. Numerical experiments on the Navier-Stokes, Maxwell, and MHD equations demonstrate that SP-RaNN achieves higher accuracy, faster convergence, and exact enforcement of divergence-free constraints compared with both traditional numerical methods and DNN-based approaches. This structure-preserving framework provides an efficient and reliable tool for solving complex PDE systems while rigorously maintaining their underlying physical laws.
Abstract（参考訳）: 非圧縮性磁気流体力学(MHD)方程式は、多くの科学的・工学的応用において基礎となる。しかし、その強い非線形性と二重発散のない制約は、従来の数値解法にとって非常に困難である。これらの課題を克服するために,分散条件を自動的かつ正確に満足する構造保存ランダム化ニューラルネットワーク(SP-RaNN)を提案する。高価な非線形および非凸最適化に依存するディープニューラルネットワーク(DNN)アプローチとは異なり、SP-RaNNはトレーニングプロセスを線形最小二乗システムに再構成し、非凸最適化を排除する。この方法は、ピカールやニュートンの反復を通じて支配方程式を線形化し、有限差分スキームを用いて領域内および境界上のコロケーションポイントで区別し、線形最小二乗法によって得られる線形系を解く。設計により、SP-RaNNは、統一時空フレームワーク内の方程式の本質的な数学的構造を保持し、安定性と精度を両立させる。 Navier-Stokes, Maxwell, MHD 方程式の数値実験により、SP-RaNN は従来の数値法と DNN に基づく手法と比較して精度が高く、収束が速く、ばらつきのない制約を正確に適用できることを示した。この構造保存フレームワークは、基礎となる物理法則を厳格に維持しつつ、複雑なPDEシステムを解くための効率的で信頼性の高いツールを提供する。

関連論文リスト

Adaptive-Growth Randomized Neural Networks for Level-Set Computation of Multivalued Nonlinear First-Order PDEs with Hyperbolic Characteristics [38.23142730599331]
本稿では,双曲特性を持つ非線形一階PDEの多値解を計算するための適応成長ランダム化ニューラルネットワーク(AG-RaNN)を提案する。このような解は幾何学光学、地震波、量子力学の半古典的極限、線形波の高周波極限に現れる。
論文参考訳（メタデータ） (2026-03-01T13:16:25Z)
BEACONS: Bounded-Error, Algebraically-Composable Neural Solvers for Partial Differential Equations [0.0]
我々は,PDEのための公式検証ニューラルネットワークソルバを構築することにより,制限を回避することができることを示す。浅部ニューラルネットワーク近似の最悪のLinf誤差に対して,厳密な外挿境界を構築することができるかを示す。 BEACONSと呼ばれるこのフレームワークは、ニューラルネットワーク自身のための自動コード証明と、機械チェック可能な正当性証明を生成するための見事な自動定理生成システムの両方を含む。
論文参考訳（メタデータ） (2026-02-16T15:49:19Z)
Solving nonlinear subsonic compressible flow in infinite domain via multi-stage neural networks [1.1317872970491056]
空気力学では、航空機の設計において空気翼上の亜音速圧縮可能な流れを正確にモデル化することが重要である。伝統的なアプローチは、しばしば線形化方程式や有限で切り詰められた領域に頼り、非無視的な誤りと実世界のシナリオにおける適用性を制限する。本研究では,非有界領域における完全非線形圧縮ポテンシャル方程式の解法として物理情報ネットワーク(PINN)を用いる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-01T13:46:01Z)
Extended Physics Informed Neural Network for Hyperbolic Two-Phase Flow in Porous Media [0.7390960543869483]
この研究は、非線形バックリー・レヴェレット方程式を解くために拡張物理学-インニューラルネットワーク(XPINN)フレームワークを用いている。ワーク間の結合は、物理的に一貫したフラックス連続性を強制するランキン・ホゴニオ・ジャンプ条件によって達成される。標準のPINNと比較して、XPINNフレームワークは優れた安定性、より高速な収束、強化された非線形波動力学を実現する。
論文参考訳（メタデータ） (2025-11-05T14:16:28Z)
Physics-informed neural networks for high-dimensional solutions and snaking bifurcations in nonlinear lattices [0.0]
本稿では,非線形格子の重要な課題に対処するための物理インフォームドニューラルネットワーク(PINN)に基づくフレームワークを提案する。まず,格子モデルから生じる非線形系の解を,レバンス・マルカルトアルゴリズムを用いて近似するためにPINNを用いる。次に、PINNと連続的な手法を結合して、スネーキング分岐図を計算して拡張する。線形安定解析では、固有ベクトルを計算するためにPINNを適用し、Sturm-Liouville理論に則って出力制約を導入する。
論文参考訳（メタデータ） (2025-07-13T20:41:55Z)
High precision PINNs in unbounded domains: application to singularity formulation in PDEs [83.50980325611066]
ニューラルネットワークアンサッツの選択、サンプリング戦略、最適化アルゴリズムについて検討する。 1次元バーガース方程式の場合、我々のフレームワークは非常に高精度な解が得られる。 2D Boussinesq 方程式の場合、損失が 4$ の解は citewang2023asymsymptotic よりも小さく、トレーニングステップは少ない。
論文参考訳（メタデータ） (2025-06-24T02:01:44Z)
Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文参考訳（メタデータ） (2024-06-05T17:59:22Z)
Improving Pseudo-Time Stepping Convergence for CFD Simulations With Neural Networks [44.99833362998488]
ナビエ・ストークス方程式は、非常に非線形な振る舞いを示す。ナヴィエ・ストークス方程式の離散化による非線形方程式の系はニュートン法のような非線形反復法を用いて解くことができる。本稿では, 非線形収束を改善するために擬似過渡継続法を用いる。
論文参考訳（メタデータ） (2023-10-10T15:45:19Z)
Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
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)
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)
dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文参考訳（メタデータ） (2021-03-15T19:14:41Z)
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。