論文の概要: NSPOD: Accelerating Krylov solvers via DeepONet-learned POD subspaces
- arxiv url: http://arxiv.org/abs/2605.07828v2
- Date: Mon, 11 May 2026 14:21:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 19:24:01.426864
- Title: NSPOD: Accelerating Krylov solvers via DeepONet-learned POD subspaces
- Title（参考訳）: NSPOD: DeepONetで学習したPODサブスペースによるKrylovソルバの高速化
- Abstract要約: NSPOD(Neural Subspace Proper Orthogonal Decomposition)は,マルチグリッド型ディープオペレータネットワークを用いたプレコンディショナーである。
NSPODは、クリロフをベースとした線形反復解法において収束に必要な反復数を劇的に減少させることができる。
非構造領域に適用した固体力学PDEの線形化バージョンに関する数値実験により,その効率を実証する。
- 参考スコア（独自算出の注目度）: 5.532017361572708
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The convergence of Krylov-based linear iterative solvers applied to parametric partial differential equations (PDEs) is often highly sensitive to the domain, its discretization, the location/values of the applied Dirichlet/Neumann boundary conditions, body forces and material properties, among others. We have previously introduced hybridization of classical linear iterative solvers with neural operators for specific geometries, but they tend to not perform well on geometries not previously seen during training. We partially addressed this challenge by introducing the deep operator network Geo-DeepONet and hybridizing it with Krylov-based iterative linear solvers, which, despite learning effectively across arbitrary unstructured meshes without requiring retraining, led to only modest reductions in iterations compared to state-of-the-art preconditioners. In this study we introduce Neural Subspace Proper Orthogonal Decomposition (NSPOD), a multigrid-like deep operator network-based preconditioner which can dramatically reduce the number of iterations needed for convergence in Krylov-based linear iterative solvers, even when compared to state-of-the-art methods such as algebraic multigrid preconditioners. We demonstrate its efficiency via numerical experiments on a linearized version of solid mechanics PDEs applied to unstructured domains obtained from complex CAD geometries. We expect that the findings in this study lead to more efficient hybrid preconditioners that can match, or possibly even surpass, the convergence properties of the current gold standard preconditioning methods for solid mechanics PDEs.
- Abstract（参考訳）: パラメトリック偏微分方程式 (PDE) に適用されたクリロフに基づく線形反復解法の収束は、しばしば領域、その離散化、適用されたディリクレ/ノイマン境界条件の位置/値、体力、材料特性などに非常に敏感である。
従来,従来の線形反復解法とニューラル演算器のハイブリッド化を,特定の測地に対して導入してきたが,従来は見られなかった測地ではうまく動作しない傾向にある。
我々は、この課題を、深層演算ネットワークGeo-DeepONetを導入し、Krylovをベースとした反復線形解法をハイブリダイズすることで部分的に解決した。
本研究では,代数的マルチグリッドプリコンディショナーのような最先端の手法と比較しても,Krylovベースの線形反復解法における収束に必要なイテレーション数を劇的に削減できる,マルチグリッド型ディープ演算子ネットワークベースのプレコンディショナーであるNeural Subspace Proper Orthogonal Decomposition (NSPOD)を紹介する。
複素CAD測地から得られた非構造領域に適用した固体力学PDEの線形化バージョンに関する数値実験により,その効率を実証する。
本研究の成果は, 固体力学PDEにおける現在の金標準プレコンディショニング手法の収束特性に適合する, あるいは超えるような, より効率的なハイブリッドプレコンディショナを実現することを期待する。
関連論文リスト
- Convolutional Symmetric AutoEncoders: enhancing latent stability via differential geometry [0.0]
この研究は、畳み込み層の表現整合性を拡張することにより、arXiv:2307.15288v2とarXiv:2506.11641v1による研究に基づいている。
本稿では, 対称畳み込み自己エンコーダ (CAE) の新たなクラスを導入し, 多様体パラメトリゼーション写像の一次特性を具現化する。
論文 参考訳（メタデータ） (2026-07-01T09:16:37Z) - Symplectic H2 Model Reduction for High-Dimensional Linear Quantum Systems [3.7887687619674413]
シンプレクティックなペトロフ・ガレルキンの枠組みが提示され、低次モデルは建設によってPRのアイデンティティを自動的に満たす。
反復有理クリロフアルゴリズムのシンプレクティック変種を開発し、量子IRKA(Q-IRKA)と呼ぶ。
その結果,Q-IRKAは大規模線形量子システムに有効であることが示唆された。
論文 参考訳（メタデータ） (2026-05-08T02:38:57Z) - 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) - 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) - Hybrid Iterative Solvers with Geometry-Aware Neural Preconditioners for Parametric PDEs [5.532017361572708]
有限要素の離散化から抽出した領域情報を組み込んだ幾何対応深部演算ネットワークGeo-DeepONetを提案する。
我々は、Geo-DeepONetと緩和スキームやKrylov部分空間アルゴリズムといった従来の手法を結合することにより、幾何認識型ハイブリッド条件付き反復解法の開発を行う。
論文 参考訳（メタデータ） (2025-12-16T17:06:10Z) - Data-Driven Adaptive Gradient Recovery for Unstructured Finite Volume Computations [0.0]
双曲的保存則に対する非構造有限体積法における勾配再構成の強化のための新しいデータ駆動手法を提案する。
提案手法は,DeepONetアーキテクチャを改良して,従来の構造化グリッド手法を非構造化メッシュに拡張する。
提案アルゴリズムは従来の2階有限体積解法よりも高速かつ高精度である。
論文 参考訳（メタデータ） (2025-07-22T13:23:57Z) - Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。
最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文 参考訳（メタデータ） (2023-10-20T12:45:12Z) - Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。
我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。
全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
論文 参考訳（メタデータ） (2023-06-29T01:20:44Z) - 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) - Efficient Methods for Structured Nonconvex-Nonconcave Min-Max
Optimization [98.0595480384208]
定常点に収束する一般化外空間を提案する。
このアルゴリズムは一般の$p$ノルド空間だけでなく、一般の$p$次元ベクトル空間にも適用される。
論文 参考訳（メタデータ） (2020-10-31T21:35:42Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z)
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。