論文の概要: Accelerating PDE Surrogates via RL-Guided Mesh Optimization

• arxiv url: http://arxiv.org/abs/2603.02066v1
• Date: Mon, 02 Mar 2026 16:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.983175
• Title: Accelerating PDE Surrogates via RL-Guided Mesh Optimization
• Title（参考訳）: RL誘導メッシュ最適化によるPDEサロゲートの高速化
• Authors: Yang Meng, Ruoxi Jiang, Zhuokai Zhao, Chong Liu, Rebecca Willett, Yuxin Chen,
• Abstract要約: RLMeshは、限られたシミュレーション予算の下で効率的な代理訓練のためのエンドツーエンドフレームワークである。 軽量プロキシモデルは、完全なサロゲート再トレーニングなしで効率的な報酬推定を提供することで、RLトレーニングをさらに加速する。 PDEベンチマークの実験では、RLMeshはベースラインと競合する精度を達成できるが、シミュレーションクエリは大幅に少ない。
• 参考スコア（独自算出の注目度）: 25.59164396092906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep surrogate models for parametric partial differential equations (PDEs) can deliver high-fidelity approximations but remain prohibitively data-hungry: training often requires thousands of fine-grid simulations, each incurring substantial computational cost. To address this challenge, we introduce RLMesh, an end-to-end framework for efficient surrogate training under limited simulation budget. The key idea is to use reinforcement learning (RL) to adaptively allocate mesh grid points non-uniformly within each simulation domain, focusing numerical resolution in regions most critical for accurate PDE solutions. A lightweight proxy model further accelerates RL training by providing efficient reward estimates without full surrogate retraining. Experiments on PDE benchmarks demonstrate that RLMesh achieves competitive accuracy to baselines but with substantially fewer simulation queries. These results show that solver-level spatial adaptivity can dramatically improve the efficiency of surrogate training pipelines, enabling practical deployment of learning-based PDE surrogates across a wide range of problems.
• Abstract（参考訳）: パラメトリック偏微分方程式(PDE)のディープサロゲートモデルは高忠実度近似を提供することができるが、データ不足は禁じられている。 この課題に対処するために、限られたシミュレーション予算の下で効率的な代理訓練を行うエンドツーエンドフレームワークであるRLMeshを紹介する。 鍵となる考え方は、強化学習(RL)を用いて、メッシュグリッドポイントを各シミュレーション領域内で不均一にアダプティブに割り当て、正確なPDEソリューションにおいて最も重要な領域における数値分解能に焦点を当てることである。 軽量プロキシモデルは、フルサロゲート再トレーニングなしで効率的な報酬推定を提供することで、RLトレーニングをさらに加速する。 PDEベンチマークの実験では、RLMeshはベースラインと競合する精度を達成できるが、シミュレーションクエリは大幅に少ない。 これらの結果から,ソルバレベルの空間適応性は,サロゲート訓練パイプラインの効率を劇的に向上させ,幅広い問題に対して学習ベースのPDEサロゲートを実用的に展開できることが示唆された。

関連論文リスト

• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Domain-Decomposed Graph Neural Network Surrogate Modeling for Ice Sheets [34.15484094708584]
  我々は、非構造化メッシュ上で直接動作する物理インスパイアされたグラフニューラルネットワーク(GNN)サロゲートを開発した。 我々は、速度をまたいだ微調整モデルへの転送学習を採用し、トレーニングを加速し、データ制限設定の精度を向上させる。 以上の結果から,グラフベースのDDとトランスファーラーニングを組み合わせることで,大規模PDEシステム上でGNNサロゲートをトレーニングするための,スケーラブルで信頼性の高い経路が提供されることがわかった。
  論文  参考訳（メタデータ） (2025-12-01T17:10:09Z)
• RL-PINNs: Reinforcement Learning-Driven Adaptive Sampling for Efficient Training of PINNs [0.0]
  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)を解くための強力なフレームワークとして登場した。 彼らのパフォーマンスは、トレーニングポイントの選択に使われる戦略に大きく依存しています。 RL-PINN(RL-PINN)は,1ラウンドのサンプリングだけで効率的なトレーニングを可能にする強化学習駆動型適応サンプリングフレームワークである。
  論文  参考訳（メタデータ） (2025-04-17T13:50:55Z)
• Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
  科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。 本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。 以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-03-24T19:12:39Z)
• Enabling Adaptive Agent Training in Open-Ended Simulators by Targeting Diversity [10.402855891273346]
  DIVAは複雑なオープンエンドシミュレータで多様なトレーニングタスクを生成するための進化的アプローチである。 実験の結果,DIVAの複雑なパラメータ化を克服し,適応剤の挙動を訓練するユニークな能力を示す。
  論文  参考訳（メタデータ） (2024-11-07T06:27:12Z)
• Reinforcement learning for anisotropic p-adaptation and error estimation in high-order solvers [0.37109226820205005]
  強化学習(RL)を用いた高次h/pにおける異方性p適応の自動化と最適化のための新しい手法を提案する。 我々は,シミュレーションを行う際の最小限のオーバーコストを示す,主解法から切り離されたオフライントレーニング手法を開発した。 我々は、局所的な離散化誤差の定量化を可能にする、安価なRLベースの誤差推定手法を導出する。
  論文  参考訳（メタデータ） (2024-07-26T17:55:23Z)
• Data-Efficient Operator Learning via Unsupervised Pretraining and In-Context Learning [45.78096783448304]
  本研究では,PDE演算子学習のための教師なし事前学習を設計する。 シミュレーションソリューションを使わずにラベルなしのPDEデータをマイニングし、物理に着想を得た再構成ベースのプロキシタスクでニューラルネットワークを事前訓練する。 提案手法は,データ効率が高く,より一般化可能であり,従来の視覚予測モデルよりも優れる。
  論文  参考訳（メタデータ） (2024-02-24T06:27:33Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。