論文の概要: PDEFlow: Autonomous Agentic PDE Pipelines for Neural Operator Learning and Solver-Free Inference

• arxiv url: http://arxiv.org/abs/2607.05134v1
• Date: Mon, 06 Jul 2026 14:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.19074
• Title: PDEFlow: Autonomous Agentic PDE Pipelines for Neural Operator Learning and Solver-Free Inference
• Title（参考訳）: PDEFlow: ニューラルネットワーク学習とソルバーフリー推論のための自律エージェントPDEパイプライン
• Abstract要約: PDEFlowは、ユーザレベルのODEとPDE記述をソルバが支援するニューラルネットワークパイプラインに変換する、自律的なエージェントフレームワークである。 ステートフル入力グラフは、多ターン自然言語入力を変換し、ユーザ編集を検証された問題仕様に変換する。 トレーニングと推論のステージでは、レジストリベースのインターフェースを使用して、周囲のパイプラインを変更することなく、さまざまなニューラルオペレータをトレーニングし、デプロイすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present PDEFlow, an autonomous agentic framework that turns user-level ODE and PDE descriptions into solver-backed neural-operator pipelines. The workflow links problem specification, data generation, operator training, and checkpoint-based inference. A stateful input graph converts multi-turn natural-language input and user edits into validated problem specifications. The data-generation module then samples parameters, solves the configured governing-equation with FEniCSx finite-element backend, and stores the solutions as operator-ready tensors. The training and inference stages use a registry-based interface, allowing different neural operators to be trained and deployed without changing the surrounding pipeline. In the current implementation, we instantiate this interface with a multi-branch Bayesian DeepONet. Experiments on benchmark ODE and PDE tasks show that PDEFlow can construct valid specifications, generate solver-backed datasets, train neural operators across steady and transient problem classes, and provide solver-free predictions from saved checkpoints. The framework is designed for repeatable scientific and engineering workflows where many related physics configurations must be specified, simulated, learned, and queried with minimal manual intervention.
• Abstract（参考訳）: PDEFlowは、ユーザレベルODEとPDE記述をソルバ支援型ニューラル演算パイプラインに変換する自律エージェントフレームワークである。 ワークフローは問題仕様、データ生成、オペレータトレーニング、チェックポイントベースの推論をリンクする。 ステートフル入力グラフは、多ターン自然言語入力を変換し、ユーザ編集を検証された問題仕様に変換する。 データ生成モジュールはパラメータをサンプリングし、FEniCSx有限要素バックエンドで設定されたルール式を解決し、ソリューションを演算子対応テンソルとして保存する。 トレーニングと推論のステージでは、レジストリベースのインターフェースを使用して、周囲のパイプラインを変更することなく、さまざまなニューラルオペレータをトレーニングし、デプロイすることができる。 現在の実装では、このインターフェースをマルチブランチのBayesian DeepONetでインスタンス化する。 ベンチマークODEとPDEタスクの実験は、PDEFlowが有効な仕様を構築し、ソルバ支援されたデータセットを生成し、定常および過渡的な問題クラスにわたってニューラル演算子を訓練し、保存されたチェックポイントからソルバフリーの予測を提供することを示した。 このフレームワークは、多くの関連する物理構成を定義し、シミュレートし、学習し、最小限の手作業でクエリする必要がある、反復可能な科学的および工学的なワークフローのために設計されている。

関連論文リスト

• Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
  本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。 核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
  論文  参考訳（メタデータ） (2026-09-02T13:15:50Z)
• NPSolver: Neural Poisson Solver with Iterative Physics Supervision [13.109423311684134]
  textscNPrは、ソリューションラベルなしでトレーニングされたニューラルなPoissonソルバである。 textscNPrは、いくつかの事前条件付き共役勾配ステップを使用して、独自の予測を洗練します。 textscBA-Transolverアーキテクチャは、内部トークンと境界トークンを明確に分離する。
  論文  参考訳（メタデータ） (2026-05-25T12:33:52Z)
• When Bayesian Tensor Completion Meets Multioutput Gaussian Processes: Functional Universality and Rank Learning [53.17227599983122]
  関数テンソル分解は実数値インデックスを用いて多次元データを解析することができる。 そこで本研究では,Right-Revealing Functional Low-rank tensor completion (RR-F)法を提案する。 連続多次元信号に対するモデルの普遍近似特性を確立する。
  論文  参考訳（メタデータ） (2025-12-25T03:15:52Z)
• Accelerating PDE Solvers with Equation-Recast Neural Operator Preconditioning [9.178290601589365]
  Minimal-Data Parametric Neural Operator Preconditioning (MD-PNOP) はパラメトリックPDEソルバを高速化するための新しいパラダイムである。 パラメータ偏差の残差を、トレーニングされたニューラル演算子を使用して、オフラインでソリューションを洗練させる、追加のソース用語として再キャストする。 固定ソース、単一グループ固有値、および多群結合固有値問題に対する完全順序忠実度を維持しつつ、計算時間の50%削減を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-01T12:14:58Z)
• 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)
• Physics-informed Discretization-independent Deep Compositional Operator Network [1.2430809884830318]
  我々はPDEパラメータと不規則領域形状の様々な離散表現に一般化できる新しい物理インフォームドモデルアーキテクチャを提案する。 ディープ・オペレーター・ニューラルネットワークにインスパイアされた我々のモデルは、パラメータの繰り返し埋め込みの離散化に依存しない学習を含む。 提案手法の精度と効率を数値計算により検証した。
  論文  参考訳（メタデータ） (2024-04-21T12:41:30Z)
• Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs [85.40198664108624]
  PDEを用いた多物理問題の解法として,コドメイン注意ニューラル演算子(CoDA-NO)を提案する。 CoDA-NOはコドメインやチャネル空間に沿った機能をトークン化し、複数のPDEシステムの自己教師付き学習や事前訓練を可能にする。 CoDA-NOは、データ制限のある複雑な下流タスクにおいて、既存のメソッドを36%以上上回ります。
  論文  参考訳（メタデータ） (2024-03-19T08:56:20Z)
• Convolutional Neural Operators for robust and accurate learning of PDEs [11.562748612983956]
  本稿では、入力や出力として関数を処理する畳み込みニューラルネットワークの新しい適応法を提案する。 結果として生じるアーキテクチャは、畳み込みニューラル演算子(CNO)と呼ばれる。 普遍性定理を証明し、CNOが PDE で生じる作用素を所望の精度で近似できることを示す。
  論文  参考訳（メタデータ） (2023-02-02T15:54:45Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)

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。