論文の概要: Approximation Theory of Laplacian-Based Neural Operators for Reaction-Diffusion System

• arxiv url: http://arxiv.org/abs/2605.12025v1
• Date: Tue, 12 May 2026 12:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.845824
• Title: Approximation Theory of Laplacian-Based Neural Operators for Reaction-Diffusion System
• Title（参考訳）: 反応拡散系に対するラプラシア系ニューラルネットワークの近似理論
• Authors: Takashi Furuya, Ryo Ozawa, Jenn-Nan Wang,
• Abstract要約: 一般化されたGierer-Meinhardt-diffusion系の初期状態から時間依存解への解写像に適用したニューラル作用素について検討する。 本研究の主な成果は,ネットワーク深度,幅,スペクトルランクの面での明示的な近似誤差境界を確立することである。 ラプラシア固有関数に基づくニューラルアーキテクチャは、一般的な演算子学習で発生するパラメトリック複雑性の呪いを軽減する。
• 参考スコア（独自算出の注目度）: 4.86840788259762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural operators provide a framework for learning solution operators of partial differential equations (PDEs), enabling efficient surrogate modeling for complex systems. While universal approximation results are now well understood, approximation analysis specific to nonlinear reaction-diffusion systems remains limited. In this paper, we study neural operators applied to the solution mapping from initial conditions to time-dependent solutions of a generalized Gierer-Meinhardt reaction-diffusion system, a prototypical model of nonlinear pattern formation. Our main results establish explicit approximation error bounds in terms of network depth, width, and spectral rank by exploiting the Laplacian spectral representation of the Green's function underlying the PDE. We show that the required parameter complexity grows at most polynomially with respect to the target accuracy, demonstrating that Laplacian eigenfunction-based neural operator architectures alleviate the curse of parametric complexity encountered in generic operator learning. Numerical experiments on the Gierer-Meinhardt system support the theoretical findings.
• Abstract（参考訳）: ニューラルネットワークは、偏微分方程式(PDE)の解演算子を学習するためのフレームワークを提供する。 現在、普遍近似結果はよく理解されているが、非線形反応拡散系に特有の近似解析は限られている。 本稿では,非線形パターン形成の原型モデルである一般化されたジエラー・メインハルト反応拡散系の初期状態から時間依存解への解写像に適用したニューラル作用素について検討する。 本研究の主な成果は,PDEに基づくグリーン関数のラプラシアンスペクトル表現を利用して,ネットワーク深さ,幅,スペクトルランクの明示的な近似誤差境界を確立することである。 目的の精度に関して,要求パラメータの複雑性は多項式的に増加することが示され,ラプラシア固有関数に基づくニューラル演算系アーキテクチャは,一般的な演算子学習において発生するパラメトリック複雑性の呪いを緩和することを示した。 Gierer-Meinhardt系の数値実験は理論的な発見を支持する。

関連論文リスト

• MINPO: Memory-Informed Neural Pseudo-Operator to Resolve Nonlocal Spatiotemporal Dynamics [0.0]
  Memory-Informed Pseudo-Operator (MINPO) は非局所力学をモデリングするための統一されたフレームワークである。 MINPOは非局所作用素とその逆をニューラル表現によって直接再構成し、未知の解場を明示的に一般化する。
  論文  参考訳（メタデータ） (2025-12-19T06:42:16Z)
• Fourier Neural Operators Explained: A Practical Perspective [75.12291469255794]
  フーリエ・ニューラル・オペレータ(FNO)は、そのエレガントなスペクトル定式化により最も影響力があり広く採用されている。 本ガイドは,FNOを多種多様な科学・工学分野に効果的に適用するための,明確かつ信頼性の高い枠組みを確立することを目的とする。
  論文  参考訳（メタデータ） (2025-12-01T08:56:21Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Disentangled Representation Learning for Parametric Partial Differential Equations [31.240283037552427]
  ニューラル演算子パラメータから不整合表現を学習するための新しいパラダイムを提案する。 DisentangOは、ブラックボックス・ニューラル・オペレーターパラメータに埋め込まれた変動の潜在的物理的要因を明らかにし、取り除くように設計された、新しいハイパーニューラル・オペレーターアーキテクチャである。 本研究では、DentangOが有意義かつ解釈可能な潜在特徴を効果的に抽出し、ニューラルネットワークフレームワークにおける予測性能と身体的理解の分離を橋渡しすることを示す。
  論文  参考訳（メタデータ） (2024-10-03T01:40:39Z)
• Linearization Turns Neural Operators into Function-Valued Gaussian Processes [23.85470417458593]
  我々は、訓練されたニューラル演算子におけるベイズの不確実性定量化を近似するための新しいフレームワークLUNOを紹介する。 我々の手法はモデル線形化を利用して(ガウス的)重み空間の不確実性をニューラル作用素の予測に推し進める。 これは関数型プログラミングのカリー化の概念の確率的バージョンとして解釈でき、関数値(ガウス的)ランダムプロセスの信念を導出することを示す。
  論文  参考訳（メタデータ） (2024-06-07T16:43:54Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• 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。