論文の概要: McMg: A Learned Phase-Space Multi-channel Multigrid Preconditioner for Helmholtz Equation

• arxiv url: http://arxiv.org/abs/2606.30495v2
• Date: Thu, 02 Jul 2026 08:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.495569
• Title: McMg: A Learned Phase-Space Multi-channel Multigrid Preconditioner for Helmholtz Equation
• Title（参考訳）: McMg: Helmholtz方程式の位相空間マルチチャネルプリコンディショナー
• Abstract要約: マルチチャネルマルチグリッドはヘテロジニアスヘルムホルツ方程式の位相空間マルチグリッドプレコンディショナーである。 残基を反復的枠組み内の補正にマッピングする。 強い古典のベースラインよりも、イテレーションが大幅に少なく、ウォールタイムも少なくなります。
• 参考スコア（独自算出の注目度）: 7.198826777148334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving heterogeneous Helmholtz equations at high wavenumbers remains challenging because the discretized operator is indefinite, pollution degrades phase accuracy, and scalar coarse-grid correction can discard the local phase and propagation-direction information carried by oscillatory errors. We propose Multi-channel Multigrid (McMg), a learned phase-space multigrid preconditioner for heterogeneous Helmholtz equations. Rather than predicting the solution directly, McMg maps residuals to corrections within an iterative framework. Its central idea is to coarsen physical space while retaining unresolved local wave information in the channel dimension: each coarse node carries a learned packet of amplitude, phase, direction, and scattering coefficients rather than a single scalar unknown. The architecture combines linear multi-channel transfer operators with locally adaptive stencils, neural PDE operators, and medium-dependent smoothers whose coefficients are generated from the wave speed. For a fixed medium, the V-cycle is linear in the residual; nonlinear physical features are computed once in a setup phase and cached, so each online iteration reduces to convolutions with fixed coefficients. We further study generalization across scales. Models trained on small domains transfer directly to larger domains and higher effective wavenumbers, and a Layer-by-Layer Progressive Finetuning (LLPF) strategy improves large-domain scalability by adding new coarse levels while finetuning only the newly introduced parameters. Numerical experiments on high-frequency, high-contrast, and large-scale three-dimensional problems demonstrate that McMg requires substantially fewer iterations and less wall-clock time than strong classical baselines, while consistently outperforming existing neural preconditioners.
• Abstract（参考訳）: 高波数での不均一ヘルムホルツ方程式の解法は、離散化作用素が不確定であり、公害は位相精度を低下させ、スカラー粗い格子補正は振動誤差による局所位相と伝播方向情報を破棄することができるため、依然として困難である。 ヘテロジニアスヘルムホルツ方程式の位相空間マルチグリッドプレコンディショナーであるマルチチャネルマルチグリッド(McMg)を提案する。 解を直接予測するのではなく、McMgは残余を反復的フレームワーク内の補正にマッピングする。 各粗いノードは、単一のスカラー未知ではなく、振幅、位相、方向、散乱係数の学習されたパケットを運ぶ。 このアーキテクチャは、線形多チャネル転送演算子と局所適応ステンシル、ニューラルPDE演算子、および波速から係数が生成される中依存スムーサを組み合わせる。 固定媒体の場合、Vサイクルは残差で線形であり、非線形物理特徴はセットアップフェーズで一度計算され、キャッシュされるため、各オンラインイテレーションは固定係数の畳み込みに還元される。 さらに、スケールにわたる一般化について研究する。 小さなドメインで訓練されたモデルは、より大きなドメインに直接転送し、より効果的なウェーブナンバーを発生させ、新しい粗いパラメータのみを微調整しながら、新しい粗いレベルを追加することで、大きなドメインのスケーラビリティを向上させる。 高周波・高コントラスト・大規模3次元問題に関する数値実験により、McMgは従来型ベースラインよりもかなり少ないイテレーションとウォールクロック時間を必要とし、既存のニューラルプレコンディショナーを一貫して上回ることを示した。

関連論文リスト

• Adaptive Hybrid Subspace Levenberg Marquardt Algorithm with Adequacy Monitor for Large Scale Least Squares Problems [0.0]
  Levenberg-Marquardt (LM) アルゴリズムは非線形最小二乗問題の解法として最も広く用いられている手法である。 低次元部分空間を構成する適応型ハイブリッド部分空間 Levenberg-Marquardt (HSLM) アルゴリズムを提案する。 HSLM は古典的およびクリロフ部分空間 LM (KSLM) に匹敵する収束挙動を達成し、計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2026-08-26T08:33:33Z)
• Operator-Informed Gaussian Processes for Complex Helmholtz Wavefields: From Synthetic Benchmarks to In Vivo Brain Elastography [0.02780623255172367]
  演算子インフォームドGP回帰を複素値ヘルムホルツ問題に拡張する。 この構成は、コリージョン化およびマルチスケールの変種に先立って、適切な対角線から先行する族を許容する。 散逸性媒質における確率的波動場推論の中心的な次のステップとして、校正不確実性が出現する。
  論文  参考訳（メタデータ） (2026-07-15T16:21:50Z)
• Learning to Solve Generative ODEs Beyond the Linear Span [50.13853710831612]
  空間残留演算子を用いてスカラー係数更新を増強する軽量ニューラルソルバであるSpanLiftを提案する。 SpanLiftは、ピクセル空間の拡散、潜水流のマッチング、降水は今、最先端の数ステップのサンプリングを実現している。
  論文  参考訳（メタデータ） (2026-06-07T15:22:13Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• WLNO: Wavelet-Laplace Neural Operator for Solving Partial Differential Equations [0.6008132390640294]
  ウェーブレット・ラプラス・ニューラル・オペレーターは、ラプラス・ニューラル・オペレーター(LNO)の極残差定式化によるハール・ウェーブレットのマルチスケール空間分解を融合する LNOは学習可能な系極と残留物を通して過渡的および定常的ダイナミクスを捉えるが、複雑なPDE解に固有の局所的な多スケール特徴を抽出する明確なメカニズムは欠いている。 WLNOはLNOコアを平行な単一レベルHaar離散ウェーブレット変換(DWT)ブランチで拡張し、リフトされた特徴写像を4つの周波数サブバンドに分解することでこの問題に対処する。 WLNOは一貫してLNOを上回る
  論文  参考訳（メタデータ） (2026-05-23T16:58:37Z)
• DInf-Grid: A Neural Differential Equation Solver with Differentiable Feature Grids [73.28614344779076]
  我々は、微分方程式(DE)を効率的に解くための微分可能グリッドベース表現を提案する。 その結果,座標法よりも5～20倍の高速化を実現し,差分方程式を数秒または数分で解き,精度とコンパクト性を維持した。
  論文  参考訳（メタデータ） (2026-01-15T18:59:57Z)
• Equivariant U-Shaped Neural Operators for the Cahn-Hilliard Phase-Field Model [4.79907962230318]
  等価なU字型ニューラル作用素(E-UNO)が過去の力学の短い歴史から位相場変数の進化を学習できることを示す。 対称性とスケール階層を符号化することにより、モデルはより一般化され、トレーニングデータが少なくなり、物理的に一貫したダイナミクスが得られる。
  論文  参考訳（メタデータ） (2025-09-01T09:25:31Z)
• Gradient Flow Based Phase-Field Modeling Using Separable Neural Networks [1.2277343096128712]
  勾配流問題の解法として, 位相場の分離可能なニューラルネットワークによる近似を最小化運動方式で提案する。 提案手法は相分離問題に対する最先端の機械学習手法よりも優れている。
  論文  参考訳（メタデータ） (2024-05-09T21:53:27Z)
• An N-Point Linear Solver for Line and Motion Estimation with Event Cameras [45.67822962085412]
  イベントカメラは、主にエッジ(強い勾配によって形成される)に応答する。 近年の研究では、一直線で生成された事象は、時空体積の多様体を記述する新しい制約を満たすことが示されている。 適切な線形パラメトリゼーションにより、この制約系は未知数において実際に線型であることが示される。
  論文  参考訳（メタデータ） (2024-04-01T00:47:02Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。