論文の概要: Finite Volume-Informed Neural Network Framework for 2D Shallow Water Equations: Rugged Loss Landscapes and the Importance of Data Guidance

• arxiv url: http://arxiv.org/abs/2605.11001v1
• Date: Sat, 09 May 2026 22:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.289723
• Title: Finite Volume-Informed Neural Network Framework for 2D Shallow Water Equations: Rugged Loss Landscapes and the Importance of Data Guidance
• Title（参考訳）: 2次元浅水方程式のための有限体積インフォームドニューラルネットワークフレームワーク:荒れたランドスケープとデータガイダンスの重要性
• Abstract要約: データガイドFVM-PINN'は,非構造化メッシュ上で評価された強形式残差を,微分可能でバランスの取れた有限体積損失(FVM)に置き換えるフレームワークである。 このフレームワークは、SRH-2Dアンカーデータから正確なサロゲートを構築する。
• 参考スコア（独自算出の注目度）: 3.04375043248235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed neural networks (PINNs) are a simple surrogate-modelling paradigm for partial differential equations, but their standard strong-form residual formulation is ill suited to the shallow water equations (SWE). It cannot enforce local conservation, handle discontinuities, or leverage the boundary-conforming unstructured meshes used in real-world applications. We introduce ``Data-Guided FVM-PINN'', a framework that replaces the strong-form residual with a differentiable, well-balanced Roe Riemann-solver finite-volume (FVM) loss evaluated on unstructured meshes. The major finding is that physics-only FVM-PINN training often fails on realistic 2D problems: the network collapses to a trivial low-momentum state that nearly satisfies the FVM-PINN residual but bears no resemblance to the true flow. A loss-landscape diagnostic shows that the FVM-PINN loss at zero momentum is only about $7\times$ larger than at the trained solution, a shallow basin that an ordinary optimizer falls into; adding even sparse data turns this into a $310\times$ separation, breaking the degeneracy. On a 2D block-in-channel benchmark, just $200$ random velocity measurements drop the velocity-field $L_2$ error by $22\times$ versus physics-only; $50$ measurements still deliver a $7\times$ reduction. A controlled ablation isolates the contribution of the FVM-PINN loss: it reduces velocity-field $L_2$ by $\sim$$23\%$ in the sparse-data regime and is essentially neutral when dense reference data is available. On a real-world Savannah River reach ($1306$ cells, $3600$~s simulation, five Manning zones), the framework constructs an accurate surrogate from SRH-2D anchor data, with time-window decomposition reducing error monotonically via progressive initial-condition handoff.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の単純なサロゲートモデリングパラダイムであるが、その標準の強い形残差の定式化は浅水方程式(SWE)に不適である。 ローカルな保存を強制したり、不連続性に対処したり、現実世界のアプリケーションで使われる境界に反する非構造化メッシュを利用することはできない。 非構造メッシュ上で評価された強形式残差を微分可能でバランスの取れたRoe Riemann-solver finite-volume (FVM) に置き換えるフレームワークである ‘Data-Guided FVM-PINN' を導入する。 ネットワークは、FVM-PINNの残留をほぼ満足するが、真の流れに似ていない自明な低モメンタム状態に崩壊する。 ロスランドスケープの診断では、ゼロモーメントでのFVM-PINNの損失は、通常のオプティマイザが陥る浅い盆地であるトレーニングされたソリューションよりもわずかに7/times$でしかない。 2Dブロックインチャネルのベンチマークでは、ランダムな速度測定が200ドル(約2万2000円)でベロシティフィールドのL_2$エラーを22ドル(約2万2000円)に下げる。 制御されたアブレーションは、FVM-PINN損失の寄与を分離する: スパースデータ体制において、ベロシティフィールド$L_2$を$\sim$23\%$に減らし、高密度参照データが利用可能であれば本質的に中立である。 現実世界のサバンナ川(1306ドルセル、3600ドル〜3600ドル/sシミュレーション、5つのマニングゾーン)では、SRH-2Dアンカーデータから正確なサロゲートを構築し、段階的な初期条件ハンドオフによってエラーを単調に低減する。

関連論文リスト

• Label-Free Finite-Volume-Residual Training of Attention Graph Neural Networks for Coupled Thermo-Fluid Fields [17.04511066132317]
  本稿では,支配方程式の有限体積法(FVM)残差を最小化して,注目グラフニューラルネットワークを訓練することを提案する。 計算流体力学(CFD)参照と4つのシナリオにわたるデータ教師付きベースラインに対する訓練されたサロゲートの評価を行った。
  論文  参考訳（メタデータ） (2026-07-22T16:07:09Z)
• Physics-Informed Residuals for Adaptive Mesh Refinement in Finite-Difference PDE Solvers [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を最終解法ではなく,適応メッシュ改良のためのオフグリッド残差プローブとして用いるハイブリッド戦略について検討する。 PINN残基はドメイン上でサンプリングされ、セルワイズインジケータに変換され、最終近似が有限差分ソルバによって計算される前に精製を誘導するために使用される。
  論文  参考訳（メタデータ） (2026-06-01T16:47:21Z)
• Total Generalized Variation regularization closes the gap between neural-eld and classical methods in seismic travel-time tomography [0.0]
  トモグラフィーはメッシュ分解能と安定性のトレードオフを強制し、レギュレータの選択が回復可能なものを支配します。 本稿では,Fourier-Feature Neural Networkとして,2次元速度場を表す差別化可能なフレームワークMIMIRを紹介する。
  論文  参考訳（メタデータ） (2026-05-11T04:13:52Z)
• DualTCN: A Physics-Constrained Temporal Convolutional Network for 2 Time-Domain Marine CSEM Inversion [1.2031796234206138]
  DualTCNは、時間領域の海洋電磁制御源(MCSEM)過渡データを反転させるための最初のディープラーニングフレームワークである。 このフレームワークは、4つのアースモデルパラメータを回帰し、微分可能なソフトステップデコーダを用いてプロファイルを再構成する。 このフレームワークは、カリキュラムベースの振幅増大によるノイズに対する高い堅牢性を示し、平均$barR2$ 0.858 at $pm2%$ランダム振幅誤差を維持している。
  論文  参考訳（メタデータ） (2026-05-06T14:58:17Z)
• A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation [0.0]
  MELCORのようなシステムレベルのコードを用いた重大事故解析は、核安全性評価には不可欠である。 既存のサロゲートモデルはこれらの解析を加速するが、大量のシミュレーションデータに依存する。 物理インフォームドニューラルネットワーク(PINN)は、データフリーなトレーニングを可能にするが、問題パラメータの変更毎に再トレーニングする必要がある。
  論文  参考訳（メタデータ） (2026-04-03T02:50:58Z)
• Improved Mean Flows: On the Challenges of Fastforward Generative Models [81.10827083963655]
  MeanFlow (MF)は、最近ワンステップ生成モデリングのフレームワークとして確立されている。 ここでは、トレーニング目標とガイダンスメカニズムの両方において、重要な課題に対処する。 我々の改革により、より標準的な回帰問題が発生し、訓練安定性が向上する。 全体として、スクラッチから完全にトレーニングされた$textbfimproved MeanFlow$$(textbfiMF$)メソッドは、ImageNet 256$times$256上の単一の関数評価(1-NFE)で$textbf1.72$ FIDを達成する。
  論文  参考訳（メタデータ） (2025-12-01T18:59:49Z)
• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• $\textit{FastSVD-ML-ROM}$: A Reduced-Order Modeling Framework based on Machine Learning for Real-Time Applications [0.0]
  高忠実度数値シミュレーションは工学設計のバックボーンを構成する。 高忠実度解を近似するために、低次モデル (ROM) を用いる。 本研究は,ROM開発のための機械学習(ML)プラットフォームを提案する。
  論文  参考訳（メタデータ） (2022-07-24T23:11:07Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Fundamental tradeoffs between memorization and robustness in random features and neural tangent regimes [15.76663241036412]
  モデルがトレーニングのごく一部を記憶している場合、そのソボレフ・セミノルムは低い有界であることを示す。 実験によって初めて、(iv)ミンノルム補間器の堅牢性における多重発色現象が明らかになった。
  論文  参考訳（メタデータ） (2021-06-04T17:52:50Z)

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。