論文の概要: General Explicit Network (GEN): A novel deep learning architecture for solving partial differential equations

• arxiv url: http://arxiv.org/abs/2604.03321v1
• Date: Thu, 02 Apr 2026 05:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.509195
• Title: General Explicit Network (GEN): A novel deep learning architecture for solving partial differential equations
• Title（参考訳）: General Explicit Network (GEN):偏微分方程式を解くための新しいディープラーニングアーキテクチャ
• Authors: Genwei Ma, Ting Luo, Ping Yang, Xing Zhao,
• Abstract要約: 本稿では,点対関数PDE解法を実装した汎用的明示的ネットワーク(GEN)を提案する。 機能」コンポーネントは、適合のための対応する基底関数を通して、元のPDEの事前の知識に基づいて構築することができる。
• 参考スコア（独自算出の注目度）: 5.788467114458168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning, especially physics-informed neural networks (PINNs) and their neural network variants, has been widely used to solve problems involving partial differential equations (PDEs). The successful deployment of such methods beyond academic research remains limited. For example, PINN methods primarily consider discrete point-to-point fitting and fail to account for the potential properties of real solutions. The adoption of continuous activation functions in these approaches leads to local characteristics that align with the equation solutions while resulting in poor extensibility and robustness. A general explicit network (GEN) that implements point-to-function PDE solving is proposed in this paper. The "function" component can be constructed based on our prior knowledge of the original PDEs through corresponding basis functions for fitting. The experimental results demonstrate that this approach enables solutions with high robustness and strong extensibility to be obtained.
• Abstract（参考訳）: 機械学習、特に物理情報ニューラルネットワーク(PINN)とそのニューラルネットワークの変種は、偏微分方程式(PDE)に関わる問題を解決するために広く用いられている。 このような手法が学術研究を超えてうまく展開されることは、依然として限られている。 例えば、PINN法は主に離散的なポイント・ツー・ポイント・フィッティングを考慮し、実際の解の潜在的な性質を考慮できない。 これらの手法における連続活性化関数の採用は、方程式解と整合する局所的な特性をもたらすが、拡張性や堅牢性は低下する。 本稿では,点対関数PDE解法を実装した汎用的明示的ネットワーク(GEN)を提案する。 機能」コンポーネントは、適合のための対応する基底関数を通して、元のPDEの事前の知識に基づいて構築することができる。 実験により, 高い堅牢性と強い拡張性を持つ解が得られることを示した。

関連論文リスト

• BEACONS: Bounded-Error, Algebraically-Composable Neural Solvers for Partial Differential Equations [0.0]
  我々は,PDEのための公式検証ニューラルネットワークソルバを構築することにより,制限を回避することができることを示す。 浅部ニューラルネットワーク近似の最悪のLinf誤差に対して,厳密な外挿境界を構築することができるかを示す。 BEACONSと呼ばれるこのフレームワークは、ニューラルネットワーク自身のための自動コード証明と、機械チェック可能な正当性証明を生成するための見事な自動定理生成システムの両方を含む。
  論文  参考訳（メタデータ） (2026-02-16T15:49:19Z)
• Feature Mapping in Physics-Informed Neural Networks (PINNs) [1.9819034119774483]
  本研究では, Conjugate Kernel と Neural Tangent Kernel を限定した特徴マッピング層を用いた PINN の訓練力学について検討する。 より優れた代替として,条件付き正定値ラジアル基底関数を提案する。
  論文  参考訳（メタデータ） (2024-02-10T13:51:09Z)
• A Deep Learning Framework for Solving Hyperbolic Partial Differential Equations: Part I [0.0]
  本研究では,非線形PDEの解を近似する物理情報深層学習フレームワークの開発に焦点をあてる。 この枠組みは、境界条件(ノイマン/ディリクレ)、エントロピー条件、および正則性要件の仮定を自然に扱う。
  論文  参考訳（メタデータ） (2023-07-09T08:27:17Z)
• A Stable and Scalable Method for Solving Initial Value PDEs with Neural Networks [52.5899851000193]
  我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。 このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。 まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
  論文  参考訳（メタデータ） (2023-04-28T17:28:18Z)
• Learning differentiable solvers for systems with hard constraints [48.54197776363251]
  ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。 我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。 その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
  論文  参考訳（メタデータ） (2022-07-18T15:11:43Z)
• A mixed formulation for physics-informed neural networks as a potential solver for engineering problems in heterogeneous domains: comparison with finite element method [0.0]
  物理インフォームドニューラルネットワーク(PINN)は、与えられた境界値問題の解を見つけることができる。 工学的問題における既存のPINNの性能を高めるために,有限要素法(FEM)からいくつかのアイデアを取り入れた。
  論文  参考訳（メタデータ） (2022-06-27T08:18:08Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Machine-learning custom-made basis functions for partial differential equations [0.0]
  本稿では,深層ニューラルネットワークとスペクトル法を組み合わせてPDEを解く手法を提案する。 我々はDeep Operator Network(DeepONet)と呼ばれるディープラーニング技術を用いて、PDEの解を拡張する候補関数を特定する。 我々は、カスタムメイドの基底関数の好ましい特性を利用して、それらの能力を研究し、それらを線形および非線形時間依存PDEの解の拡張に活用する。
  論文  参考訳（メタデータ） (2021-11-09T18:24:23Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。