論文の概要: Boundary-Adapted PINNs for Elliptic Dirichlet Problems: $H^2(Ω)$ A Priori Error Bounds with Application to Mean Escape Time Computation

• arxiv url: http://arxiv.org/abs/2607.19167v1
• Date: Tue, 21 Jul 2026 15:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.458984
• Title: Boundary-Adapted PINNs for Elliptic Dirichlet Problems: $H^2(Ω)$ A Priori Error Bounds with Application to Mean Escape Time Computation
• Title（参考訳）: 楕円ディリクレ問題に対する境界適応PINN:$H^2(Ω)$ A Prioriエラー境界と平均エスケープ時間計算への応用
• Abstract要約: 境界強化物理情報ニューラルネットワーク(PINN)を用いた楕円ディリクレ境界値問題(BVP)について検討する。 プリミティブエラーバウンダリを導出し、$$への依存を明確にします。 我々の証明はまた、ReQU および tanh ネットワークの高階微分の仮説空間に対して、新しい VC-次元境界を与える。
• 参考スコア（独自算出の注目度）: 14.109379170744546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivated by the numerical computation of the Mean Escape Time (MET) $τ:Ω\to\mathbb{R}$ of a stochastic process from a bounded domain $Ω\subseteq\mathbb{R}^d$, we study elliptic Dirichlet boundary value problems (BVPs) using boundary-enforced Physics-Informed Neural Networks (PINNs), in which the Dirichlet condition is imposed exactly by multiplying the network output with a predefined distance-to-boundary approximation $ρ$. Combining approximation-theoretic and statistical-learning arguments for Rectified Quadratic Unit (ReQU) and hyperbolic tangent (tanh) networks, we derive a priori error bounds that make explicit the dependence on $ρ$. In particular, we show that exact boundary enforcement alone is not enough for $H^2(Ω)$ error bounds, and that a sufficient and essentially necessary condition is for $ρ$ to be a smooth distance approximation $\textit{normalized to first order}$, of the kind constructed in arXiv:2104.08426 [math.NA]. We thereby identify this subclass of $\textit{boundary-adapted}$ PINNs as the appropriate neural network ansatz for solving Dirichlet BVPs. Numerical experiments support the theory, showing that appropriate choices of $ρ$ improve accuracy and convergence, while poorly chosen distance functions can substantially degrade the solution. Our proof also yields new VC-dimension bounds for hypothesis spaces of higher-order derivatives of ReQU and tanh networks, together with new approximation bounds for shallow ReQU networks in higher-order Sobolev norms, all of which are of important independent interest.
• Abstract（参考訳）: 平均エスケープ時間 (MET) $τ:Ω\to\mathbb{R}$ 境界領域 $Ω\subseteq\mathbb{R}^d$ の確率過程の数値計算により、境界強化された物理インフォームドニューラルネットワーク (PINN) を用いて楕円ディリクレ境界値問題 (BVP) を研究する。 Rectified Quadratic Unit (ReQU) と hyperbolic tangent (tanh) ネットワークに対する近似理論と統計的学習の議論を組み合わせることで、$ρ$ への依存を明示する事前誤差境界を導出する。 特に、正確な境界強制だけでは、$H^2(Ω)$エラー境界が十分でないことを示し、また、arXiv:2104.08426[math.NA]で構築された種類の滑らかな距離近似$\textit{normalized to first order}$に対して、$ρ$が十分かつ本質的に必要であることを示す。 そこで、このサブクラスである $\textit{boundary-adapted}$ PINNs をディリクレBVPを解くための適切なニューラルネットワークアンサッツとして同定する。 数値実験はこの理論を支持し、$ρ$の適切な選択は精度と収束を改善し、不適切な選択された距離関数は解を著しく劣化させることを示した。 我々の証明は、ReQUおよびtanhネットワークの高階微分の仮説空間に対する新しいVC次元境界と、高階ソボレフノルムにおける浅層ReQUネットワークに対する新しい近似境界をもたらします。

関連論文リスト

• Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
  基本的で長期にわたる課題は、その効率的な近似である。 一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。 本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
  論文  参考訳（メタデータ） (2026-04-09T16:38:14Z)
• Hardness of High-Dimensional Linear Classification [58.29089693778071]
  我々は、最大半空間離散性問題に対する次元下界の新たな指数関数を確立する。 どちらも計算幾何学と機械学習の基本的問題であり、その正確で近似的な形式である。
  論文  参考訳（メタデータ） (2026-03-19T15:53:41Z)
• Tight inapproximability of max-LINSAT and implications for decoded quantum interferometry [0.0]
  我々は、非時間アルゴリズムが任意の定数でランダム割当比$r/q$を超えることを、Hstadの定理から直接還元することで証明する。 この閾値は、デコードされた量子干渉法を規定する半円法則の$ell/mから0$制限と一致する。
  論文  参考訳（メタデータ） (2026-03-04T19:26:26Z)
• Expressive Power of Deep Networks on Manifolds: Simultaneous Approximation [2.815765641180636]
  境界重みを持つ定数深度$mathrmReLUk-1$ネットワークは、ソボレフ空間内の任意の関数を近似することができることを示す。 また、必要なパラメータ数が対数係数に一致することを示すことで、我々の構成がほぼ最適であることを示す。
  論文  参考訳（メタデータ） (2025-09-11T11:28:20Z)
• 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)
• A Mean-Field Analysis of Neural Stochastic Gradient Descent-Ascent for Functional Minimax Optimization [90.87444114491116]
  本稿では,超パラメトリック化された2層ニューラルネットワークの無限次元関数クラス上で定義される最小最適化問題について検討する。 i) 勾配降下指数アルゴリズムの収束と, (ii) ニューラルネットワークの表現学習に対処する。 その結果、ニューラルネットワークによって誘導される特徴表現は、ワッサーシュタイン距離で測定された$O(alpha-1)$で初期表現から逸脱することが許された。
  論文  参考訳（メタデータ） (2024-04-18T16:46:08Z)
• Pseudonorm Approachability and Applications to Regret Minimization [73.54127663296906]
  我々は、高次元 $ell_infty$-approachability 問題を、低次元の擬ノルムアプローチ可能性問題に変換する。 我々は、$ell$や他のノルムに対するアプローチ可能性に関する以前の研究に類似した疑似ノルムアプローチ可能性のアルゴリズム理論を開発する。
  論文  参考訳（メタデータ） (2023-02-03T03:19:14Z)
• Minimax Optimal Quantization of Linear Models: Information-Theoretic Limits and Efficient Algorithms [59.724977092582535]
  測定から学習した線形モデルの定量化の問題を考える。 この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。 本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-23T02:39:04Z)
• Exact imposition of boundary conditions with distance functions in physics-informed deep neural networks [0.5804039129951741]
  本稿では,偏微分方程式の深層学習におけるトレーニングを改善するために,人工ニューラルネットワークにおける幾何対応トライアル関数を提案する。 均質なディリクレ境界条件を正確に課すために、トライアル関数は、PINN近似により$phi$と乗算される。 アフィン境界と曲線境界を持つ領域上の線形および非線形境界値問題に対する数値解を提案する。
  論文  参考訳（メタデータ） (2021-04-17T03:02:52Z)

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。