論文の概要: UniPINN: A Unified PINN Framework for Multi-task Learning of Diverse Navier-Stokes Equations

• arxiv url: http://arxiv.org/abs/2603.10466v1
• Date: Wed, 11 Mar 2026 06:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.810217
• Title: UniPINN: A Unified PINN Framework for Multi-task Learning of Diverse Navier-Stokes Equations
• Title（参考訳）: UniPINN: 多様なナビエ-ストークス方程式のマルチタスク学習のための統一PINNフレームワーク
• Authors: Dengdi Sun, Jie Chen, Xiao Wang, Jin Tang,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、圧縮不能なナビエ・ストークス方程式の解法において有望であることを示す。 3つの相補的コンポーネントを統合する統合型マルチフローPINNフレームワークUniPINNを提案する。 我々は,UniPINNがマルチフロー学習を効果的に統合し,予測精度と不均一なシステム間でのバランス性能を向上することを示す。
• 参考スコア（独自算出の注目度）: 19.601674679509184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-Informed Neural Networks (PINNs) have shown promise in solving incompressible Navier-Stokes equations, yet existing approaches are predominantly designed for single-flow settings. When extended to multi-flow scenarios, these methods face three key challenges: (1) difficulty in simultaneously capturing both shared physical principles and flow-specific characteristics, (2) susceptibility to inter-task negative transfer that degrades prediction accuracy, and (3) unstable training dynamics caused by disparate loss magnitudes across heterogeneous flow regimes. To address these limitations, we propose UniPINN, a unified multi-flow PINN framework that integrates three complementary components: a shared-specialized architecture that disentangles universal physical laws from flow-specific features, a cross-flow attention mechanism that selectively reinforces relevant patterns while suppressing task-irrelevant interference, and a dynamic weight allocation strategy that adaptively balances loss contributions to stabilize multi-objective optimization. Extensive experiments on three canonical flows demonstrate that UniPINN effectively unifies multi-flow learning, achieving superior prediction accuracy and balanced performance across heterogeneous regimes while successfully mitigating negative transfer. The source code of this paper will be released on https://github.com/Event-AHU/OpenFusion
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、圧縮不能なナビエ・ストークス方程式の解法において有望であるが、既存のアプローチは主に単一フロー設定用に設計されている。 マルチフローシナリオに拡張すると,(1)共有物理原理とフロー固有特性の両方を同時に捉えることの難しさ,(2)予測精度を低下させるタスク間負転移への感受性,(3)不均一なフロー機構間で異なる損失の大きさに起因する不安定なトレーニングダイナミックス,の3つの課題に直面する。 これらの制約に対処するために、UniPINN、フロー固有の特徴から普遍的な物理法則を分離する共有特殊化アーキテクチャ、タスク非関連干渉を抑えながら関連パターンを選択的に強化するクロスフローアテンション機構、多目的最適化の安定化のために損失寄与を適応的に均衡させる動的重み付け戦略という、3つの相補的コンポーネントを統合した統合マルチフローPINNフレームワークを提案する。 3つの正準流に対する広範囲な実験により、UniPINNはマルチフロー学習を効果的に統一し、不均一な状態における予測精度とバランスの取れた性能を達成し、負の伝達を緩和することに成功した。 この論文のソースコードはhttps://github.com/Event-AHU/OpenFusionで公開される。

関連論文リスト

• Forked Physics Informed Neural Networks for Coupled Systems of Differential equations [1.7158443622461192]
  微分方程式(DE)の結合系のための分岐PINNフレームワークを提案する。 結合Dsにより制御される非マルコフ開量子力学のシミュレーションにおけるFPINNの有効性を実証する。 スピンボソンモデルとXXZモデルでは、FPINNは量子コヒーレンス復元や情報バックフローのようなマルコフでない特徴を正確に捉えている。
  論文  参考訳（メタデータ） (2026-02-16T08:32:59Z)
• Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
  固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。 SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。 この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-10-17T07:43:51Z)
• INFNet: A Task-aware Information Flow Network for Large-Scale Recommendation Systems [8.283354901677692]
  Information Flow Network (INFNet)は、大規模レコメンデーションシナリオ用に設計されたタスク対応アーキテクチャである。 INFNetは、機能を3つのトークンタイプ、分類トークン、シーケンストークン、タスクトークンに分類し、新しいデュアルフロー設計を導入している。 INFNetは商業オンライン広告システムで成功し、収益(REV)は1.587%、クリックスルーレート(CTR)は+1.155%だった。
  論文  参考訳（メタデータ） (2025-08-15T16:18:32Z)
• FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming [52.52020895303244]
  Mixed-Integer Linear Programming (MILP)は、複雑な意思決定問題の基本的なツールである。 混合整数線形計画法(FMIP)のための連立連続整数フローを提案する。これはMILPソリューションにおける整数変数と連続変数の共分散をモデル化する最初の生成フレームワークである。 FMIPは任意のバックボーンネットワークや様々なダウンストリームソルバと完全に互換性があり、現実世界のMILPアプリケーションにも適している。
  論文  参考訳（メタデータ） (2025-07-31T10:03:30Z)
• Divide-and-Conquer: Confluent Triple-Flow Network for RGB-T Salient Object Detection [70.84835546732738]
  RGB-Thermal Salient Object Detectionは、目視と熱赤外画像のペア内の目立つ物体をピンポイントすることを目的としている。 従来のエンコーダ・デコーダアーキテクチャは、欠陥モードから生じるノイズに対する頑健さを十分に考慮していなかったかもしれない。 本稿では,Divide-and-Conquer戦略を用いた,堅牢なConfluent Triple-Flow NetworkであるConTriNetを提案する。
  論文  参考訳（メタデータ） (2024-12-02T14:44:39Z)
• RANS-PINN based Simulation Surrogates for Predicting Turbulent Flows [3.1861308132183384]
  我々は,高レイノルズ数乱流状態における流れ場を予測するために,改良されたPINNフレームワークであるRANS-PINNを導入する。 乱流によってもたらされるさらなる複雑さを考慮するため、RANS-PINNはレイノルズ平均ナヴィエ・ストークス(RANS)の定式化に基づく2方程式渦粘性モデルを採用している。
  論文  参考訳（メタデータ） (2023-06-09T16:55:49Z)
• Adaptive Fourier Neural Operators: Efficient Token Mixers for Transformers [55.90468016961356]
  本稿では,Fourierドメインのミキシングを学習する効率的なトークンミキサーを提案する。 AFNOは、演算子学習の原則的基礎に基づいている。 65kのシーケンスサイズを処理でき、他の効率的な自己認識機構より優れている。
  論文  参考訳（メタデータ） (2021-11-24T05:44:31Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。