論文の概要: Windowed Fourier Propagator: A Frequency-Local Neural Operator for Wave Equations in Inhomogeneous Media

• arxiv url: http://arxiv.org/abs/2603.14289v1
• Date: Sun, 15 Mar 2026 08:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.725334
• Title: Windowed Fourier Propagator: A Frequency-Local Neural Operator for Wave Equations in Inhomogeneous Media
• Title（参考訳）: ウィンドウ型フーリエ・プロパゲータ:不均質媒質中の波動方程式の周波数ローカルニューラル演算子
• Authors: Yiyang Cai, Zixuan Qiu, Yunlu Shu, Jiamao Wu, Yingzhou Li, Tianyu Wang, Xi Chen,
• Abstract要約: Windowed Fourier Propagator (WFP) は、解演算子を効率的に学習する新しいニューラル演算子である。 WFPは、複雑なメディアにおけるデータ駆動波動モデリングのための説明可能な、効率的で正確なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 7.765978833294117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wave equations are fundamental to describing a vast array of physical phenomena, yet their simulation in inhomogeneous media poses a computational challenge due to the highly oscillatory nature of the solutions. To overcome the high costs of traditional solvers, we propose the Windowed Fourier Propagator (WFP), a novel neural operator that efficiently learns the solution operator. The WFP's design is rooted in the physical principle of frequency locality, where wave energy scatters primarily to adjacent frequencies. By learning a set of compact, localized propagators, each mapping an input frequency to a small window of outputs, our method avoids the complexity of dense interaction models and achieves computational efficiency. Another key feature is the explicit preservation of superposition, which enables remarkable generalization from simple training data (e.g., plane waves) to arbitrary, complex wave states. We demonstrate that the WFP provides an explainable, efficient and accurate framework for data-driven wave modeling in complex media.
• Abstract（参考訳）: 波動方程式は、様々な物理現象を記述するのに基本的なものであるが、不均一な媒体におけるシミュレーションは、解の非常に振動的な性質のために計算上の問題を引き起こす。 従来の解法の高コスト化を克服するために,解演算子を効率的に学習する新しいニューラル演算子である Windowed Fourier Propagator (WFP) を提案する。 WFPの設計は、波のエネルギーが主に隣接周波数に散乱する周波数局所性の物理原理に根ざしている。 小型で局所化されたプロパゲータの集合を学習し、入力周波数を小さな出力窓にマッピングすることで、密接な相互作用モデルの複雑さを回避し、計算効率を向上する。 もうひとつの重要な特徴は、単純なトレーニングデータ(例えば、平面波)から任意の複雑な波の状態への顕著な一般化を可能にする、重ね合わせの明示的な保存である。 我々はWFPが複雑なメディアにおけるデータ駆動波動モデリングのための説明可能な、効率的かつ正確なフレームワークを提供することを示した。

関連論文リスト

• FUTON: Fourier Tensor Network for Implicit Neural Representations [56.48739018255443]
  入射神経表現(INR)はシグナルを符号化する強力なツールとして現れてきたが、支配的な設計はしばしば収束が遅く、ノイズに過度に適応し、外挿が不十分である。 低ランクテンソル分解により係数がパラメータ化される一般化フーリエ級数として信号をモデル化するFUTONを導入する。
  論文  参考訳（メタデータ） (2026-02-13T19:31:44Z)
• WaveFormer: Frequency-Time Decoupled Vision Modeling with Wave Equation [24.13944601660532]
  視覚モデリングはトランスフォーマーによって急速に進歩し、注意機構は視覚的依存を捉えるが、意味情報が空間的にどのように伝播するかという原則的な説明は欠いている。 我々はこの問題を波面から再検討し、内部伝播時間における空間信号として特徴写像を下水波方程式で制御する。 本稿では,標準VTやCNNのドロップイン置換としてWaveFormerモデルのファミリを提案し,画像分類,オブジェクト検出,セマンティックセグメンテーションにおける競合精度を実現する。
  論文  参考訳（メタデータ） (2026-01-13T14:47:22Z)
• SAOT: An Enhanced Locality-Aware Spectral Transformer for Solving PDEs [8.678387342998613]
  本稿では,ウェーブレット変換の空間周波数局在特性をトランスフォーマーアーキテクチャに取り入れることを検討した。 本稿では,局所性を考慮した特徴を効率的に学習するための線形計算複雑性を持つ新しいWavelet Attention (WA) モジュールを提案する。 我々はさらに、WAの局所的な焦点をフーリエベースのアテンションのグローバルな受容領域と統合するハイブリッドスペクトル変換器であるスペクトル注意演算子トランスフォーマー(SAOT)を開発した。
  論文  参考訳（メタデータ） (2025-11-24T05:22:28Z)
• 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)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Solving Seismic Wave Equations on Variable Velocity Models with Fourier Neural Operator [3.2307366446033945]
  本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。 数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。 PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
  論文  参考訳（メタデータ） (2022-09-25T22:25:57Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Fourier Neural Operator Networks: A Fast and General Solver for the Photoacoustic Wave Equation [1.7205106391379026]
  同質媒質における2次元光音響波動方程式の解法として,高速なデータ駆動深層学習法を適用した。 我々はFNOネットワークが小さな誤差で同等のシミュレーションを発生し、桁違いに高速であったことを示す。
  論文  参考訳（メタデータ） (2021-08-20T21:09:53Z)

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。