論文の概要: A scaled TW-PINN: A physics-informed neural network for traveling wave solutions of reaction-diffusion equations with general coefficients

• arxiv url: http://arxiv.org/abs/2603.15331v1
• Date: Mon, 16 Mar 2026 14:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.426147
• Title: A scaled TW-PINN: A physics-informed neural network for traveling wave solutions of reaction-diffusion equations with general coefficients
• Title（参考訳）: スケールされたTW-PINN:一般係数を持つ反応拡散方程式の進行波解のための物理インフォームドニューラルネットワーク
• Authors: Seungwan Han, Kwanghyuk Park, Jiaxi Gu, Jae-Hun Jung,
• Abstract要約: 本研究では、移動波動解の計算のための効率的で一般化可能な物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 スケールド方程式で訓練された1つのPINNソルバは、異なる係数選択と空間次元に対して再利用される。 1次元と2次元の数値実験は、既存のWave-PINN法との比較とともに、スケールしたTW-PINNの精度、柔軟性、優れた性能を示す。
• 参考スコア（独自算出の注目度）: 7.459187887558538
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose an efficient and generalizable physics-informed neural network (PINN) framework for computing traveling wave solutions of $n$-dimensional reaction-diffusion equations with various reaction and diffusion coefficients. By applying a scaling transformation with the traveling wave form, the original problem is reduced to a one-dimensional scaled reaction-diffusion equation with unit reaction and diffusion coefficients. This reduction leads to the proposed framework, termed scaled TW-PINN, in which a single PINN solver trained on the scaled equation is reused for different coefficient choices and spatial dimensions. We also prove a universal approximation property of the proposed PINN solver for traveling wave solutions. Numerical experiments in one and two dimensions, together with a comparison to the existing wave-PINN method, demonstrate the accuracy, flexibility, and superior performance of scaled TW-PINN. Finally, we explore an extension of the framework to the Fisher's equation with general initial conditions.
• Abstract（参考訳）: 反応係数と拡散係数の異なる$n$次元の反応拡散方程式の進行波解を計算するための効率的で一般化可能な物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 走行波形式によるスケーリング変換を適用することにより、元の問題は単位反応と拡散係数を持つ1次元スケールされた反応拡散方程式に還元される。 この削減により、スケールされたTW-PINNと呼ばれるフレームワークが提案され、スケールされた方程式で訓練された1つのPINNソルバが、異なる係数選択と空間次元のために再利用される。 また、走行波解に対する提案したPINNソルバの普遍近似特性を証明した。 1次元と2次元の数値実験は、既存のWave-PINN法との比較とともに、スケールしたTW-PINNの精度、柔軟性、優れた性能を示す。 最後に、一般的な初期条件を持つフィッシャー方程式へのフレームワークの拡張について検討する。

関連論文リスト

• Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
  2次元空間における準可積分方程式の渦型解の探索にPINNを適用した。 これらの方程式は、惑星大気中の地栄養的な浅海力学のおもちゃモデルである。 本稿では,保護法を施行したPINN,初期条件の変動,および識別精度向上のための摩擦型摂動手法を紹介する。
  論文  参考訳（メタデータ） (2024-10-23T08:29:13Z)
• 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)
• Approximating Families of Sharp Solutions to Fisher's Equation with Physics-Informed Neural Networks [8.487185704099925]
  本稿では,フィッシャー方程式の解法として物理インフォームドニューラルネットワーク(PINN)を用いる。 主眼は、大きな反応速度係数の条件下でのフィッシャー方程式の研究である。 ネットワークトレーニングにおいて、標準のPINNアプローチに関連する問題を軽減するために、残留重み付け方式が導入された。
  論文  参考訳（メタデータ） (2024-02-13T09:17:20Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Quantum-inspired optimization for wavelength assignment [51.55491037321065]
  波長割当問題を解くための量子インスピレーションアルゴリズムを提案し,開発する。 本研究は,電気通信における現実的な問題に対する量子インスパイアされたアルゴリズムの活用の道筋をたどるものである。
  論文  参考訳（メタデータ） (2022-11-01T07:52:47Z)
• Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
  急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。 本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
  論文  参考訳（メタデータ） (2022-08-18T05:00:24Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)

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。