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/2604.19930v2
• Date: Mon, 27 Apr 2026 07:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.913802
• 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: 我々は、代数的制約を正確に強制し、準定常値に対する高速なダイナミクスを減少させる拡張ニュートン暗黙層を導入する。 グリッドフォーミングインバータ(剛性比約4712)では、拡張ニュートンは1.42%の誤差を39.3%(ペナルティ)と57.0%(標準ニュートン)に到達した。
• 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 barriers: soft-constraint methods leave algebraic residuals that stiffness amplifies into errors, and hard-constraint methods require trajectory data from stiff integrators. We introduce an extended Newton implicit layer that enforces algebraic constraints exactly and reduces fast dynamics to their quasi-steady-state values in a single differentiable solve. Embedded in a physics-informed DeepONet, the layer recovers all fast and algebraic states exactly from slow-state predictions, removes the per-window stiffness-amplification pathway, and yields a stiffness-scaled Implicit Function Theorem gradient absent from penalty methods. Cascaded implicit layers extend this to multi-component systems with provable convergence. On a grid-forming inverter (stiffness ratio of about 4712), extended Newton attains 1.42% error versus 39.3% (penalty) and 57.0% (standard Newton); augmented Lagrangian and feedback linearization diverged. Two independently trained models compose without retraining (0.72% to 1.16% error, exact constraint satisfaction). Cross-domain validation on the Robertson stiff DAE (stiffness ratio up to $10^5$) confirms generalization. Conformal prediction provides 90% coverage with 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つの障壁に直面する: ソフト制約法は剛性が誤差を増幅する代数的残差を残し、ハード制約法は剛性積分器からの軌跡データを必要とする。 我々は、代数的制約を正確に強制する拡張ニュートン暗黙層を導入し、1つの微分可能解における準定常値に対する高速なダイナミクスを減少させる。 物理インフォームドされたDeepONetに埋め込まれたこの層は、遅い状態の予測から完全に高速で代数的な状態をすべて回復し、ウィンドウごとの剛性増幅経路を除去し、ペナルティ法から外れた硬度スケールのインプリシット関数定理を生成する。 カスケードされた暗黙の層は、これを証明可能な収束を伴う多成分系に拡張する。 格子状インバータ(剛性比約4712)では、拡張ニュートンは1.42%の誤差を39.3%(ペナルティ)と57.0%(標準ニュートン)と達成し、拡張ラグランジアンとフィードバック線形化は分岐した。 2つの独立に訓練されたモデルは再訓練せずに構成される(0.72%から1.16%の誤差、正確な制約満足度)。 ロバートソン剛性DAE(剛性比最大10^5$)のクロスドメイン検証は一般化を裏付ける。 コンフォーマル予測は90%のカバレッジを提供し、自動アウト・オブ・ディストリビューション検出を提供する。

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。