論文の概要: SPARC-Net: A Spectral, Causality-Aware, and Hard-Constrained Physics-Informed Architecture for Stiff and Shock-Dominated Partial Differential Equations

• arxiv url: http://arxiv.org/abs/2607.11310v1
• Date: Mon, 13 Jul 2026 09:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.416794
• Title: SPARC-Net: A Spectral, Causality-Aware, and Hard-Constrained Physics-Informed Architecture for Stiff and Shock-Dominated Partial Differential Equations
• Title（参考訳）: SPARC-Net: 剛性と衝撃に支配された部分微分方程式のためのスペクトル、因果認識、およびハード制約された物理インフォームドアーキテクチャ
• Abstract要約: 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)を解くためのメッシュレスアプローチを提供する PINNは、小さなPDE残基が世界規模で不正確な解に対応できる、硬度および衝撃に支配された問題において深刻な劣化を被る。 これらの障害は, (i) スペクトルバイアスと鋭い特徴との同時的相互作用, (ii) 不均衡な多重時間最適化と損失重大崩壊, (iii) 時間的因果性違反, (iv) 未解決のコロケーションから生じる多因果性を示す。 統合アーキテクチャとトレーニングの現在-Net
• 参考スコア（独自算出の注目度）: 0.0654051537828115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-Informed Neural Networks (PINNs) provide a meshless approach for solving partial differential equations (PDEs), but suffer severe degradation in stiff and shock-dominated problems, where small PDE residuals can correspond to globally inaccurate solutions. We show these failures are multi-causal, arising from the concurrent interplay of (i) spectral bias against sharp features, (ii) imbalanced multi-term optimization and loss-weight collapse, (iii) violation of temporal causality, and (iv) under-resolved collocation. We present SPARC-Net, a unified architecture and training framework that jointly addresses all four pathologies. SPARC-Net leverages an adaptive multi-scale spectral encoder with a learnable spectral gate, a gated residual backbone, adaptive activations, and a hard-constraint output ansatz that exactly enforces initial and boundary conditions, structurally eliminating loss-weight collapse. Training employs stabilized gradient-norm loss balancing, floored causality-respecting residual weighting, and residual-based adaptive collocation (RAD). Validated against exact analytic and high-order spectral reference solutions across four canonical benchmarks -- viscous Burgers', Allen-Cahn, convection (beta=30), and reaction -- SPARC-Net yields substantial improvements over vanilla PINNs: relative L2 error drops from 1.47e-1 to 1.14e-1 on Burgers' (22% reduction), 9.93e-1 to 5.78e-2 on Allen-Cahn (94% reduction), and 9.82e-1 to 3.54e-3 on reaction (100% reduction). A characteristic-coordinate encoder for hyperbolic transport further reduces convection error from 5.14e-1 to 9.88e-5 (100% reduction). We report five-seed mean +/- standard deviation errors, Wilcoxon significance tests, full ablation studies, hyperparameter sensitivities, an extension to the 2D heat equation, and comparisons against parameter-matched baselines.
• Abstract（参考訳）: 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)を解くためのメッシュレスアプローチを提供するが、小さなPDE残基が世界規模で不正確な解に対応できる硬質および衝撃に支配された問題で深刻な劣化を被る。 これらの障害は同時実行による多重因果関係であることを示す。 一 鋭い特徴に対するスペクトルバイアス (二)多項最適化と損失重崩壊の不均衡 三 時間的因果関係の違反、及び (4)未解決のコロケーション。 SPARC-Netは,4つの病態すべてに共同で対処する統合アーキテクチャとトレーニングフレームワークである。 SPARC-Netは、学習可能なスペクトルゲート、ゲート残留バックボーン、アダプティブアクティベーション、および初期および境界条件を正確に強制するハード制約出力アンサッツを備えた適応型マルチスケールスペクトルエンコーダを利用する。 トレーニングには、安定な勾配-ノルム損失バランス、床付き因果関係を反映した残留重み付け、および残差に基づく適応的コロケーション(RAD)が採用されている。 粘性バーガース、アレン・カーン、対流(ベータ=30)、反応 -- SPARC-Netは、バーガースの1.47e-1から1.14e-1への相対誤差の減少(22%の減少)、アレン・カーンの94%の減少)、9.82e-1から3.54e-3への反応(100%の減少)である。 双曲輸送のための特性コーディネートエンコーダは、対流誤差を5.14e-1から9.88e-5(100%還元)へとさらに減少させる。 本稿では,5種平均+/-標準偏差誤差,ウィルコクソンの意義試験,フルアブレーション試験,ハイパーパラメータ感度,2次元熱方程式の拡張,パラメータマッチングベースラインとの比較について報告する。

関連論文リスト

• Response Renormalization for Critical Deep Equilibrium Models [0.0]
  暗黙の微分による訓練は、残留ヤコビアンから構築された随伴系を解く必要がある。 本稿では,非持ち上げ応答チャネルをそのまま残しながら,選択したニアポールディノミネータを持ち上げるバックワードパスフレームワークであるResponse Renormalizationを導入する。 我々は、密度と行列のない集合的定式化を導き、改良された凍結アンカー残基と後方応答サロゲートとの正確な勾配を区別し、構造的インプリシット層とベクトルトラクターに構造を拡張した。
  論文  参考訳（メタデータ） (2026-08-24T18:10:30Z)
• Cross-Layer Error Compensation and Finite-Sample Feature-Statistics Matching for Extreme Low-Bit Quantization of Large Language Models [0.0]
  すべてのレイヤの離散コードとスケールに対する共同最適化として量子化を定式化する。 FP16教師に対して,誤差補償のみのパープレキシティ比が9.56+/-0.15に達することを示す。 Qwen2.5-1.5B で 1.125 ビットのグループバイナリの重みを持つ場合、誤差補償だけで FP16 の教師に対して 9.56 +/- 0.15 のパープレキシティ比に達する。
  論文  参考訳（メタデータ） (2026-07-16T06:47:52Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Loss-Conditional PINNs for Parametric PDE Families [45.945826972787415]
  物理インフォームドニューラルネットワーク(PINN)は、残差、境界、初期およびデータ損失の重み付けを最小化し、ODEとPDEの解を近似する。 我々は,Dosovitskiy と Djolonga (2020) の損失条件訓練を PDE-Residual 設定に適応させるLC-PINNを紹介した。 完全な物理情報しか持たないが、パラメトリックな家族の訓練も受けている。
  論文  参考訳（メタデータ） (2026-06-03T04:02:10Z)
• Physics-Guided Dimension Reduction for Simulation-Free Operator Learning of Stiff Differential-Algebraic Systems [6.7316895397952905]
  我々は、代数的制約を正確に強制し、準定常値に対する高速なダイナミクスを減少させる拡張ニュートン暗黙層を導入する。 グリッドフォーミングインバータ(剛性比約4712)では、拡張ニュートンは1.42%の誤差を39.3%(ペナルティ)と57.0%(標準ニュートン)に到達した。
  論文  参考訳（メタデータ） (2026-04-21T19:19:47Z)
• Auxiliary Finite-Difference Residual-Gradient Regularization for PINNs [0.0]
  本研究では,PDE残差が保たれるハイブリッド設計について検討するが,有限差分は弱い補助項にのみ現れる。 FD項は、PDE残基自体を置き換えることなく残留体を正則化する。 種子0-5と100kのエポック全体で、最も信頼性の高い試験はクルコウタス・ベタ政権下での固定殻重量5e-4である。
  論文  参考訳（メタデータ） (2026-04-15T23:09:19Z)
• K-GMRF: Kinetic Gauss-Markov Random Field for First-Principles Covariance Tracking on Lie Groups [8.489406212619164]
  共分散追跡のためのオンライン学習自由フレームワークK-GMRFを提案する。 本手法は, 構造保存型シンプレクティックインテグレータにより伝搬される潜在角速度を駆動するトルクとして観測を解釈する。 理論的には、この2階の力学が一定回転下でゼロ定常誤差を達成することを証明している。
  論文  参考訳（メタデータ） (2026-03-20T03:16:36Z)
• Stabilized Adaptive Loss and Residual-Based Collocation for Physics-Informed Neural Networks [0.0654051537828115]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式を解くためのメッシュフリーな代替手段として認識されている。 PINNには、不均衡なトレーニングやソリューションの不正確さなど、制限がある。
  論文  参考訳（メタデータ） (2026-03-03T18:17:28Z)
• Causal Direction from Convergence Time: Faster Training in the True Causal Direction [0.0]
  最適化力学に基づく因果方向同定の原理である因果計算非対称性(Causal Computational Asymmetric, CCA)を紹介する。 CCAは最適化時空間で動作し、RESIT、IGCI、SkewScoreなどの手法と区別する。 さらに、グラフ構造学習、因果情報圧縮、ポリシー最適化を統合したCausal Compression Learning(CCL)というフレームワークにCCAを組み込む。
  論文  参考訳（メタデータ） (2026-02-24T21:34:57Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
  乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。 以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:06:39Z)
• LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
  エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。 ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• Fast Convex Optimization for Two-Layer ReLU Networks: Equivalent Model Classes and Cone Decompositions [47.276004075767176]
  ReLUアクティベーション機能を持つ2層ニューラルネットワークの凸最適化のためのソフトウェアを開発した。 本稿では,凸ゲート型ReLUモデルにおいて,ReLUトレーニング問題に対するデータ依存アルゴリズムが得られたことを示す。
  論文  参考訳（メタデータ） (2022-02-02T23:50:53Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)

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。