論文の概要: PDEInvBench: A Comprehensive Dataset and Design Space Exploration of Neural Networks for PDE Inverse Problems

• arxiv url: http://arxiv.org/abs/2605.25353v2
• Date: Tue, 26 May 2026 06:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.095511
• Title: PDEInvBench: A Comprehensive Dataset and Design Space Exploration of Neural Networks for PDE Inverse Problems
• Title（参考訳）: PDEInvBench: PDE逆問題に対するニューラルネットワークの包括的データセットと設計空間探索
• Authors: Divyam Goel, Nithin Chalapathi, Sanjeev Raja, Aditi S. Krishnapriyan,
• Abstract要約: 偏微分方程式(PDE)における時間的問題は、溶液場から観測システムの物理パラメータを推定することを含む。 神経ネットワークは関数-関数間空間変換をモデル化する能力のため、PDEパラメータ推定に適している。 PDEInvBenchは、時間依存PDEと時間依存PDEの両方の数値シミュレーションからなる包括的なベンチマークデータセットである。
• 参考スコア（独自算出の注目度）: 11.742898472476796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse problems in partial differential equations (PDEs) involve estimating the physical parameters of a system from observed spatiotemporal solution fields. Neural networks are well-suited for PDE parameter estimation due to their capability to model function-to-function space transformations. While existing benchmarks of machine learning methods for PDEs primarily focus on the forward problem, there are no similar comprehensive studies and benchmark datasets on PDE inverse problems, i.e., mapping solution fields to underlying physical parameters. We fill this gap by introducing PDEInvBench, a comprehensive benchmark dataset consisting of numerical simulations for both time-dependent and time-independent PDEs across a wide range of physical behaviors and parameters. Our dataset includes evaluation splits that assess performance in both in-distribution and various out-of-distribution settings. Using our benchmark dataset, we comprehensively explore the design space of neural networks for PDE inverse problems along three key dimensions: (1) optimization procedures, analyzing the role of supervised, self-supervised, and test-time training objectives on performance, (2) problem representations, where we study the value of architectural choices with different inductive biases and various conditioning strategies, and (3) scaling, which we perform with respect to both model and data size. Our experiments reveal several practical insights: 1) neural networks perform best with a two-stage training procedure: initial supervision with PDE parameters followed by test-time fine-tuning using the PDE residual, 2) incorporating PDE derivatives as input features consistently improves accuracy, and 3) increasing the diversity of initial conditions in the training data yields greater performance gains than expanding the range of PDE parameters. We make our dataset and codebase publicly available.
• Abstract（参考訳）: 偏微分方程式(PDE)の逆問題では、観測された時空間解場から系の物理パラメータを推定する。 ニューラルネットワークは、関数-関数間空間変換をモデル化する能力のため、PDEパラメータ推定に適している。 PDEのための機械学習手法の既存のベンチマークは、主に前方問題に焦点を当てているが、PDE逆問題に関する同様の包括的な研究やベンチマークデータセット、すなわち、解場を基礎となる物理パラメータにマッピングすることはない。 PDEInvBenchは、時間に依存しないPDEと時間に依存しないPDEの両方の物理挙動とパラメータの数値シミュレーションからなる総合的なベンチマークデータセットである。 我々のデータセットは、分布内および分布外の両方のパフォーマンスを評価する評価分割を含む。 ベンチマークデータセットを用いて,PDE逆問題に対するニューラルネットワークの設計空間を網羅的に3つの重要な側面に沿って探索する。(1) 最適化手順, 教師付き, 自己教師型, テストタイムトレーニングの目的をパフォーマンス上で分析すること,(2) 問題表現,(2) 異なる帰納的バイアスと様々な条件付け戦略でアーキテクチャ選択の価値を研究すること,(3) モデルとデータサイズの両方で実行するスケーリングである。 私たちの実験では、いくつかの実践的な洞察が示されています。 1)ニューラルネットワークは,PDEパラメータによる初期監督とPDE残差を用いたテスト時間微調整という,2段階のトレーニング手順で最善を尽くす。 2)入力特徴としてPDE誘導体を組み込むことで精度が向上する。 3)トレーニングデータにおける初期条件の多様性の増大は,PDEパラメータの範囲を広げるよりも高い性能向上をもたらす。 データセットとコードベースを公開しています。

関連論文リスト

• Mechanistic PDE Networks for Discovery of Governing Equations [52.492158106791365]
  データから偏微分方程式を発見するためのモデルであるメカニスティックPDEネットワークを提案する。 表現されたPDEは解決され、特定のタスクのためにデコードされる。 線形偏微分方程式に特化して、ネイティブ、GPU対応、並列、スパース、微分可能多重グリッドソルバを開発した。
  論文  参考訳（メタデータ） (2025-02-25T17:21:44Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  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(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• Learning a Neural Solver for Parametric PDE to Enhance Physics-Informed Methods [14.791541465418263]
  データに基づいて訓練された物理インフォームド反復アルゴリズムを用いて偏微分方程式(PDE)の解法を学習することを提案する。 本手法は,各PDEインスタンスに自動的に適応する勾配降下アルゴリズムの条件付けを学習する。 複数のデータセットに対する経験的実験を通じて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-09T12:28:32Z)
• Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers [53.79279286773326]
  我々は、多様なデータに基づいて訓練され、多様なPDEで条件付けされた新しいトランスフォーマーモデルUnisolverを提案する。 Unisolverは3つの挑戦的な大規模ベンチマークで一貫した最先端を実現し、優れたパフォーマンスと一般化性を示している。
  論文  参考訳（メタデータ） (2024-05-27T15:34:35Z)
• LatentPINNs: Generative physics-informed neural networks via a latent representation learning [0.0]
  本稿では,PDEパラメータの潜在表現をPINNに追加(座標に)入力として利用するフレームワークであるLatentPINNを紹介する。 まず,PDEパラメータの分布の潜在表現を学習する。 第2段階では、解領域内の座標空間からランダムに描画されたサンプルから得られる入力に対して、物理インフォームドニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-05-11T16:54:17Z)
• Neural Partial Differential Equations with Functional Convolution [30.35306295442881]
  本稿では、隠れた構造を発見し、異なる非線形PDEの解を予測するために、軽量なニューラルPDE表現を提案する。 我々は、数値PDE微分演算子の「翻訳類似性」の先行を利用して、学習モデルとトレーニングデータのスケールを大幅に削減する。
  論文  参考訳（メタデータ） (2023-03-10T04:25:38Z)

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。