論文の概要: Physics-Informed Neural Embeddings of PDE Solution Families

• arxiv url: http://arxiv.org/abs/2607.06348v1
• Date: Tue, 07 Jul 2026 14:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.557743
• Title: Physics-Informed Neural Embeddings of PDE Solution Families
• Title（参考訳）: PDEソリューションファミリの物理インフォームドニューラルネットワーク
• Authors: Raul Jimenez, Svitlana Mayboroda, Pavlos Protopapas, Leonid Sarieddine, David N. Spergel, Pedro Tarancón-Álvarez,
• Abstract要約: 偏微分方程式の解族に対する有限次元埋め込みを学習するための物理インフォームドフレームワークを導入する。 この方法は、共有体が解空間を表す潜在多様体を学習するマルチヘッド物理情報ネットワークを用いる。 頭部直交化ペナルティは、潜在表現における粘性退化を除去し、トレーニング実現における主成分スペクトルを安定化させる。
• 参考スコア（独自算出の注目度）: 0.6575205226217063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a physics-informed framework for learning finite-dimensional embeddings of solution families of partial differential equations. The method uses a multihead Physics-Informed Neural Network in which a shared body learns a latent manifold representing the solution space, while linear heads reconstruct individual solutions associated with different initial conditions. A head-orthogonalization penalty removes degeneracies in the latent representation and stabilizes the principal-component spectrum across training realizations. Because the initial condition is built into the network output by construction, these principal components measure the additional variability the network learns on top of the initial profile, not the full solution itself. We apply the method to the one-dimensional viscous Burgers equation, with the heat and wave equations as robustness checks. For a latent dimension $n_b=20$, the learned manifolds exhibit pronounced effective dimensional reduction: for Burgers dynamics, only $2$-$4$ principal components capture about $95\%$ of the latent-space variance, while $4$-$7$ capture about $99\%$, depending on the initial-condition family; the same qualitative compression holds for the heat and wave equations. We also split the wavenumber axis into bands (``Fourier shells'') and measure how much each band contributes to every principal component. The resulting frequency profile is invariant under the change-of-basis freedom that the orthogonalization penalty leaves in the latent space, and is therefore reproducible across independent training runs. More broadly, this establishes the learned spectral profiles and principal components as robust observables of solution-manifold geometry.
• Abstract（参考訳）: 偏微分方程式の解族に対する有限次元埋め込みを学習するための物理インフォームドフレームワークを導入する。 この方法は、共有体が解空間を表す潜在多様体を学習するマルチヘッド物理情報ニューラルネットワークを用いており、線形ヘッドは、異なる初期条件に関連する個々の解を再構成する。 頭部直交化ペナルティは、潜在表現における退化を除去し、トレーニング実現における主成分スペクトルを安定化させる。 初期条件は、構成によってネットワーク出力に組み込まれるため、これらの主成分は、ネットワークが初期プロファイル上で学習する追加変数を、完全なソリューション自身ではなく、測定する。 熱・波動方程式をロバスト性チェックとして, 1次元粘性バーガース方程式に適用する。 バーガーズ力学では、主成分の約$2$-$4$がラテント空間の分散の約$95\%を、初期条件の族によって$4$-$7$が約$99\%を、同じ定性的圧縮が熱と波動の方程式に対して成り立つ。 また、波数軸をバンド(`Fourier shells'')に分割し、各バンドがすべての主成分にどの程度寄与するかを測定する。 結果として生じる周波数プロファイルは、直交化ペナルティが潜在空間に残す基底自由度の変化の下で不変であり、したがって独立したトレーニング実行間で再現可能である。 より広義に、これは学習されたスペクトルプロファイルと主成分を解-多様体幾何学の堅牢な可観測性として確立する。

関連論文リスト

• Frequency Shift Physics-Informed Extreme Learning Machine for Solving High-Frequency Partial Differential Equations [6.85637056992485]
  高周波解を用いた偏微分方程式の解法は、物理インフォームド機械学習において依然として中心的な課題である。 本稿では、この制限に対処する周波数シフト物理インフォームドエクストリーム学習マシンフレームワークを提案する。 FS-PIELM-Lは個々のニューロンに独立した周波数等級を割り当て、FS-PIELM-Gはロバスト性を改善するためにグループ化される。
  論文  参考訳（メタデータ） (2026-07-02T04:37:40Z)
• The Hamilton-Jacobi Theory of Deep Learning [0.0]
  ニューラルネットワークのトレーニングは、正確にはハミルトン-ヤコビ初期値問題による探索として識別される。 対応はlog-sum-exp層と、より広いアーキテクチャの構造に正確である。
  論文  参考訳（メタデータ） (2026-05-27T18:38:23Z)
• Escape dynamics and implicit bias of one-pass SGD in overparameterized quadratic networks [3.198538967655537]
  2層ニューラルネットワークの1パス勾配勾配勾配ダイナミクスを教師の枠組みで解析する。 本研究では,学生の進化を規定する低次元常微分方程式について考察する。
  論文  参考訳（メタデータ） (2026-04-03T14:47:24Z)
• Learning embeddings of non-linear PDEs: the Burgers' equation [0.6474760227870044]
  非線形偏微分方程式の解埋め込み空間をマルチヘッド構成を用いて構築する手法を提案する。 主成分分析(PCA)を用いて非退化情報を抽出する。 共有ネットワーク本体は、解空間の潜在埋め込みを学習し、線形ヘッドは、この埋め込みを個々の実現にマップする。
  論文  参考訳（メタデータ） (2026-03-08T21:32:31Z)
• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
  フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
  論文  参考訳（メタデータ） (2024-10-27T23:06:29Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)

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。