論文の概要: Physics-Informed Neural Networks with Architectural Physics Embedding for Large-Scale Wave Field Reconstruction

• arxiv url: http://arxiv.org/abs/2603.02231v1
• Date: Fri, 13 Feb 2026 04:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.09736
• Title: Physics-Informed Neural Networks with Architectural Physics Embedding for Large-Scale Wave Field Reconstruction
• Title（参考訳）: 大規模波動場再構成のための構造物理学埋め込みを用いた物理インフォームニューラルネットワーク
• Authors: Huiwen Zhang, Feng Ye, Chu Ma,
• Abstract要約: 物理情報ニューラルネットワーク(PINN)は、物理原理を機械学習モデルに統合する。 PINNは損失関数のみに物理原理を組み込むため、収束が遅くなり、安定性が最適化され、スペクトルバイアスが生じる。 この研究は、ニューラルネットワークアーキテクチャに直接追加の物理ガイダンスを統合するアーキテクチャ物理学組み込み(PE)-PINNを導入している。
• 参考スコア（独自算出の注目度）: 8.953088273349499
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large-scale wave field reconstruction requires precise solutions but faces challenges with computational efficiency and accuracy. The physics-based numerical methods like Finite Element Method (FEM) provide high accuracy but struggle with large-scale or high-frequency problems due to prohibitive computational costs. Pure data-driven approaches excel in speed but often lack sufficient labeled data for complex scenarios. Physics-informed neural networks (PINNs) integrate physical principles into machine learning models, offering a promising solution by bridging these gaps. However, standard PINNs embed physical principles only in loss functions, leading to slow convergence, optimization instability, and spectral bias, limiting their ability for large-scale wave field reconstruction. This work introduces architecture physics embedded (PE)-PINN, which integrates additional physical guidance directly into the neural network architecture beyond Helmholtz equations and boundary conditions in loss functions. Specifically, a new envelope transformation layer is designed to mitigate spectral bias with kernels parameterized by source properties, material interfaces, and wave physics. Experiments demonstrate that PE-PINN achieves more than 10 times speedup in convergence compared to standard PINNs and several orders of magnitude reduction in memory usage compared to FEM. This breakthrough enables high-fidelity modeling for large-scale 2D/3D electromagnetic wave reconstruction involving reflections, refractions, and diffractions in room-scale domains, readily applicable to wireless communications, sensing, room acoustics, and other fields requiring large-scale wave field analysis.
• Abstract（参考訳）: 大規模波動場再構成は正確な解を必要とするが、計算効率と精度の課題に直面している。 有限要素法(FEM)のような物理学に基づく数値法は、高精度であるが、計算コストの禁止による大規模な問題や高周波問題に苦慮している。 純粋なデータ駆動アプローチはスピードが優れているが、複雑なシナリオに十分なラベル付きデータがないことが多い。 物理インフォームドニューラルネットワーク(PINN)は、物理的な原則を機械学習モデルに統合し、これらのギャップを埋めることによる有望なソリューションを提供する。 しかし、標準のPINNは損失関数のみに物理原理を組み込むため、収束が遅くなり、最適化が不安定になり、スペクトルバイアスが小さくなり、大規模な波動場再構築の能力が制限される。 この研究はアーキテクチャ物理学組み込み(PE)-PINNを導入し、ヘルムホルツ方程式以外のニューラルネットワークアーキテクチャと損失関数の境界条件を直接統合する。 特に、新しいエンベロープ変換層は、ソース特性、材料界面、波動物理学によってパラメータ化されたカーネルによるスペクトルバイアスを軽減するように設計されている。 実験により,PE-PINNは標準のPINNに比べて10倍以上の高速化を実現し,FEMに比べてメモリ使用量が数桁減少した。 このブレークスルーにより、大規模な2D/3D電磁波再構成のための高忠実度モデリングが可能となり、大規模な波動解析を必要とする無線通信、センシング、室内音響などの分野に容易に適用できる。

関連論文リスト

• ASPEN: An Adaptive Spectral Physics-Enabled Network for Ginzburg-Landau Dynamics [0.0]
  物理インフォームドニューラルネットワーク(PIN)は、偏微分方程式(PDE)を解くための強力なメッシュフリーパラダイムとして登場した。 彼らは、標準多層パーセプトロン(MLP)アーキテクチャの固有のスペクトルバイアスのため、硬く、マルチスケールで非線形なシステムに苦しむことで知られている。 本稿では、この制限を克服するために設計された新しいアーキテクチャであるAdaptive Spectral-Enabled Network(ASPEN)を紹介する。
  論文  参考訳（メタデータ） (2025-12-02T22:58:06Z)
• PEGNet: A Physics-Embedded Graph Network for Long-Term Stable Multiphysics Simulation [8.95344024479836]
  偏微分方程式(PDE)によって支配される物理現象は、科学と工学の進歩にとって重要である。 PEGNetは物理埋め込みグラフネットワークであり、PDE誘導メッセージパスを再設計されたグラフニューラルネットワークアーキテクチャに組み込む。 従来の手法に比べて長期予測精度と物理的整合性に大きな改善が見られた。
  論文  参考訳（メタデータ） (2025-11-11T19:02:16Z)
• 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)
• An effective physics-informed neural operator framework for predicting wavefields [10.94738894332709]
  我々はヘルムホルツ方程式を効率的に解くために物理インフォームド畳み込みニューラル演算子(PICNO)を導入する。 PICNOは、均質媒質と速度モデルに対応する背景波動場を入力関数空間とし、散乱波動場を出力関数空間として生成する。 限られたトレーニングサンプルであっても、精度の高い精度の予測が可能になる。
  論文  参考訳（メタデータ） (2025-07-22T10:22:30Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• 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)

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。