論文の概要: Physics-Guided Dimension Reduction for Simulation-Free Operator Learning of Stiff Differential--Algebraic Systems

• arxiv url: http://arxiv.org/abs/2604.19930v1
• Date: Tue, 21 Apr 2026 19:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.757627
• Title: Physics-Guided Dimension Reduction for Simulation-Free Operator Learning of Stiff Differential--Algebraic Systems
• Title（参考訳）: 剛微分代数系のシミュレーション自由演算子学習のための物理誘導次元削減法
• Authors: Huy Hoang Le, Haoguang Wang, Christian Moya, Marcos Netto, Guang Lin,
• Abstract要約: 一つの微分可能解において代数的一貫性と準定常還元を強制する拡張ニュートン暗黙層を導入する。 グリッド形成インバータDAE(21状態)では、提案手法はペナルティ法(39.3%)、標準ニュートン法(57.0パーセント)、拡張ラグランジアンあるいは線形化ベースライン(収束に失敗する)を大きく上回っている。
• 参考スコア（独自算出の注目度）: 6.7316895397952905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural surrogates for stiff differential-algebraic equations (DAEs) face two key challenges: soft-constraint methods leave algebraic residuals that stiffness amplifies into large errors, while hard-constraint methods require trajectory data from computationally expensive stiff integrators. We introduce an extended Newton implicit layer that enforces algebraic consistency and quasi-steady-state reduction within a single differentiable solve. Given slow-state predictions from a physics-informed DeepONet, the proposed layer recovers fast and algebraic states, eliminates the stiffness-amplification pathway within each time window, and reduces the output dimension to the slow states alone. Gradients derived via the implicit function theorem capture a stiffness-scaled coupling term that is absent in penalty-based approaches. Cascaded implicit layers further extend the framework to multi-component systems with provable convergence. On a grid-forming inverter DAE (21 states), the proposed method (7 outputs, 1.42 percent error) significantly outperforms penalty methods (39.3 percent), standard Newton approaches (57.0 percent), and augmented Lagrangian or feedback linearization baselines, which fail to converge. Two independently trained models compose into a 44-state system without retraining, achieving 0.72 to 1.16 percent error with zero algebraic residual. Conformal prediction further provides 90 percent coverage in-distribution and enables automatic out-of-distribution detection.
• Abstract（参考訳）: 剛性微分代数方程式(DAE)のニューラルサロゲートは2つの大きな課題に直面している: ソフト制約法は、剛性が大きな誤差を増幅する代数的残差を残し、ハード制約法は計算に高価な剛性積分器の軌跡データを必要とする。 一つの微分可能解において代数的一貫性と準定常還元を強制する拡張ニュートン暗黙層を導入する。 物理インフォームドされたDeepONetからの遅い状態予測を前提として、提案した層は高速で代数的な状態を回復し、各時間ウィンドウ内の剛性増幅経路を除去し、出力寸法を遅い状態のみに削減する。 暗黙の関数定理によって導かれる勾配は、ペナルティに基づくアプローチに欠けている硬度スケールのカップリング項をキャプチャする。 カスケードされた暗黙の層は、証明可能な収束性を持つマルチコンポーネントシステムにフレームワークをさらに拡張する。 グリッドフォーミングインバータDAE(21状態)では、提案手法(7出力、1.2%エラー)がペナルティ法(39.3%)、標準ニュートン法(57.0パーセント)、拡張ラグランジアンあるいはフィードバック線形化ベースライン(収束に失敗)を大きく上回っている。 2つの独立に訓練されたモデルは再訓練せずに44状態に構成され、0.72から1.16パーセントの誤差で代数的残差がゼロとなる。 コンフォーマル予測はさらに90%のアウト・オブ・ディストリビューションをカバーし、自動アウト・オブ・ディストリビューション検出を可能にする。

関連論文リスト

• Classical counterparts of shortcuts to adiabaticity in nonlinear dissipative Lagrangian systems [3.479150231916641]
  古典的非線形散逸的ラグランジアン系において、同じ考えがどのように実装できるかを示す。 結合された$r$-$$マニピュレータを図形モデルとして、レイリー散逸を伴うオイラー・ラグランジュ方程式上で逆エンジニアリングを行う。 また、スムーズなSTAプロトコルをアクチュエータ境界時間最適解と比例積分微分追跡と比較する。
  論文  参考訳（メタデータ） (2026-04-20T15:56:51Z)
• NeuraLSP: An Efficient and Rigorous Neural Left Singular Subspace Preconditioner for Conjugate Gradient Methods [49.84495044725856]
  NeuraLSPはニューラルプレコンディショナーである。 提案手法は, インフレーションのランク付けにおける理論的保証と実証的堅牢性の両方を示し, 最大53%の高速化を実現した。
  論文  参考訳（メタデータ） (2026-01-28T02:15:16Z)
• PhysicsCorrect: A Training-Free Approach for Stable Neural PDE Simulations [4.7903561901859355]
  予測ステップ毎にPDE整合性を強制する,トレーニング不要な修正フレームワークであるNyberCorrectを提案する。 私たちの重要なイノベーションは、オフラインのウォームアップフェーズでJacobianとその擬似逆をプリ計算する効率的なキャッシュ戦略です。 3つの代表的なPDEシステムにおいて、物理コレクトは予測誤差を最大100倍に削減し、無視可能な推論時間を加算する。
  論文  参考訳（メタデータ） (2025-07-03T01:22:57Z)
• Semi-Explicit Neural DAEs: Learning Long-Horizon Dynamical Systems with Algebraic Constraints [2.66269503676104]
  本稿では,各ODEステップを制約多様体上に投影することにより,代数的制約を明示的に強制する手法を提案する。 PNODEは6つのベンチマーク問題において、平均的な制約違反エラーを10～10ドル以下で達成するベースラインを一貫して上回る。 これらの結果から,制約投影は物理的に一貫した長軸運動学を学習するための単純な戦略を提供することが示された。
  論文  参考訳（メタデータ） (2025-05-26T20:31:15Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。