論文の概要: Data-Efficient Neural Operator Training via Physics-Based Active Learning
- arxiv url: http://arxiv.org/abs/2605.21348v1
- Date: Wed, 20 May 2026 16:13:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.774732
- Title: Data-Efficient Neural Operator Training via Physics-Based Active Learning
- Title（参考訳）: 物理に基づく能動学習によるデータ効率の良いニューラル演算子訓練
- Abstract要約: ニューラル演算子による偏微分方程式の解法は計算コストを大幅に削減するが、高い訓練データ要求によってボトルネックが残る。
本稿では、偏微分方程式残差を利用してデータ選択を導出する新しい能動学習アルゴリズムである物理ベースの獲得を紹介する。
我々の実験では、物理学に基づく取得は、ランダムな取得よりもずっと優れており、データ効率の最先端技術と一致していることが示されています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solving partial differential equations with neural operators significantly reduces computational costs but remains bottlenecked by high training data requirements. Active learning offers a natural framework to mitigate this by selectively acquiring the most informative samples in an iterative manner. We introduce physics-based acquisition - a novel physics-informed active learning algorithm that leverages the partial differential equation residual to guide data selection. We validate the method by presenting numerical experiments for the 1D Burgers equation and the 2D compressible Navier-Stokes equations. We show that, in our experiments, physics-based acquisition consistently outperforms random acquisition and matches the state of the art in data efficiency. At the same time, it has the unique advantage of injecting a physics inductive bias into the training process, ensuring that simulation cost is spent where the model's physical understanding is weakest.
- Abstract（参考訳）: ニューラル演算子による偏微分方程式の解法は計算コストを大幅に削減するが、高い訓練データ要求によってボトルネックが残る。
アクティブラーニングは、反復的な方法で最も情報性の高いサンプルを選択的に取得することで、これを緩和する自然なフレームワークを提供する。
本稿では、偏微分方程式残差を利用してデータ選択を導出する新しい物理インフォームドアクティブラーニングアルゴリズムである、物理ベースの取得を紹介する。
本研究では,1次元バーガース方程式と2次元圧縮可能なナビエ・ストークス方程式の数値実験を行い,本手法の有効性を検証した。
我々の実験では、物理学に基づく取得は、ランダムな取得よりも一貫して優れており、データ効率の最先端と一致している。
同時に、トレーニングプロセスに物理誘導バイアスを注入するユニークな利点があり、モデルの物理的理解が最も弱い場所でシミュレーションコストがかかることを保証する。
関連論文リスト
- A physics-informed transformer neural operator for learning generalized solutions of initial boundary value problems [0.0]
物理インフォームドトランスニューラル演算子を開発し,初期条件と境界条件を効率よく一般化する。
PINTOモデルは、トレーニングコロケーションポイントに含まれない時間ステップにおける対流とバーガースの方程式を正確に解くことができる。
論文 参考訳（メタデータ） (2024-12-12T07:22:02Z) - DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving [54.605760146540234]
DeltaPhiは、PDE解決タスクを、直接入力出力マッピングの学習から、類似の物理的状態間の残差学習に変換する、新しい学習フレームワークである。
大規模な実験は、様々な物理的システムにまたがって一貫した、重要な改善を示す。
論文 参考訳（メタデータ） (2024-06-14T07:45:07Z) - PICL: Physics Informed Contrastive Learning for Partial Differential Equations [7.136205674624813]
我々は,複数の支配方程式にまたがるニューラル演算子一般化を同時に改善する,新しいコントラスト事前学習フレームワークを開発する。
物理インフォームドシステムの進化と潜在空間モデル出力の組み合わせは、入力データに固定され、我々の距離関数で使用される。
物理インフォームドコントラストプレトレーニングにより,1次元および2次元熱,バーガーズ,線形対流方程式に対する固定フューチャーおよび自己回帰ロールアウトタスクにおけるフーリエニューラル演算子の精度が向上することがわかった。
論文 参考訳（メタデータ） (2024-01-29T17:32:22Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Hindsight States: Blending Sim and Real Task Elements for Efficient
Reinforcement Learning [61.3506230781327]
ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。
ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。
提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
論文 参考訳（メタデータ） (2023-03-03T21:55:04Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Physics-guided Data Augmentation for Learning the Solution Operator of
Linear Differential Equations [2.1850269949775663]
ニューラルネットワークモデルの精度と一般化を改善するために,物理誘導型データ拡張法(PGDA)を提案する。
様々な線形微分方程式におけるPGDAの利点を実証し、PGDAがサンプルの複雑さを向上し、分布シフトに頑健であることを示す。
論文 参考訳（メタデータ） (2022-12-08T06:29:15Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Applications of physics informed neural operators [2.588973722689844]
偏微分方程式を学習するためのエンドツーエンドフレームワークを提案する。
まず,本手法が他のニューラル演算子の精度と性能を再現することを示す。
2次元バーガース方程式を含む新しいタイプの方程式を学習するために、物理インフォームド・ニューラル演算子を適用した。
論文 参考訳（メタデータ） (2022-03-23T18:00:05Z) - A Combined Data-driven and Physics-driven Method for Steady Heat
Conduction Prediction using Deep Convolutional Neural Networks [39.46616349629182]
本稿では,加速学習とより正確な解法を併用して提案する。
データ駆動型手法では、物理方程式の導入は収束を高速化するだけでなく、物理的に一貫した解を生成することができる。
物理駆動法では, 結合法は, あまり制約のない粗い基準を用いることで, 収束を49.0%まで高速化できることがわかった。
論文 参考訳（メタデータ） (2020-05-16T22:29:37Z)
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。