Fugu-MT 論文翻訳(概要): HypNO: A Graph-Based Neural Operator with Physics-Informed Message Passing for Hyperbolic Conservation Laws

論文の概要: HypNO: A Graph-Based Neural Operator with Physics-Informed Message Passing for Hyperbolic Conservation Laws

arxiv url: http://arxiv.org/abs/2607.20541v1
Date: Fri, 10 Jul 2026 21:20:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 00:46:13.224886
Title: HypNO: A Graph-Based Neural Operator with Physics-Informed Message Passing for Hyperbolic Conservation Laws
Title（参考訳）: HypNO: ハイパーボリック保存法のための物理インフォームドメッセージパス付きグラフベースのニューラル演算子
Abstract要約: HypNOは有限要素細胞の時空グラフで動作する。 We benchmark the architecture on the Lighthill-Whitham-Richards (LWR) and Aw-Rascle-Zhang (ARZ) traffic-flow model。
参考スコア（独自算出の注目度）: 35.974381146979816
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We introduce HypNO, a graph-based neural operator for scalar hyperbolic conservation laws. HypNO operates directly on a space-time graph of finite-volume cells and uses adjacency-factored, physics-informed message passing to respect upwinding and entropy admissibility near shocks. We benchmark the architecture on the Lighthill-Whitham-Richards (LWR) and Aw-Rascle-Zhang (ARZ) traffic-flow models, a stress test for operator-learning methods because of their simultaneous global transport and shock formation. HypNO predicts solution snapshots accurately across a range of initial conditions while capturing the shocks and discontinuities of the solution.
Abstract（参考訳）: 我々はスカラー双曲保存法則のためのグラフベースのニューラル演算子であるHypNOを紹介する。 HypNOは、有限体積セルの時空グラフ上で直接動作し、衝撃の近傍で上向きとエントロピーの許容性を尊重するために、隣接して調整された物理インフォームドメッセージパッシングを使用する。 We benchmark the architecture on the Lighthill-Whitham-Richards (LWR) and Aw-Rascle-Zhang (ARZ) traffic-flow model, a stress test for operator-learning method because its simultaneously global transport and shock formation。 HypNOは、ソリューションのショックと不連続をキャプチャしながら、さまざまな初期条件でソリューションスナップショットを正確に予測する。

関連論文リスト

An Energy-Based Conservative-Dissipative Latent Neural Evolution Operator for Magnetization Dynamics [0.0]
我々は、マイクロ磁化ダイナミクスのためのエネルギーベース還元秩序モデルを開発した。ランダウ・リフシッツ・ギルベルト方程式の先行散逸構造により、潜在ベクトル場が生成される。散逸限定型および反対称散逸型モデルは、短い訓練スタイルの窓上で同等の精度を達成する。深部四分運動エネルギーは、両方の磁場方向に対して最高の総合的精度を与える。
論文参考訳（メタデータ） (2026-09-03T22:42:04Z)
Hybrid Neural World Models [1.0742675209112622]
ニューラルサロゲートは、物理力学の古典的解法よりも大きなスピードアップを約束するが、衝撃、正面、接触などの急激な動的事象で静かに失敗する。物理状態空間におけるマルチホライゾン・サロゲートのトレーニングと展開のレシピを提案する。このレシピは、反応拡散、圧縮可能なオイラー、剛体衝突動力学を経ることなく適用できる。
論文参考訳（メタデータ） (2026-05-27T11:17:08Z)
Fast-Forward Lattice Boltzmann: Learning Kinetic Behaviour with Physics-Informed Neural Operators [37.65214107289304]
格子ボルツマン方程式(LBE)のための物理インフォームドニューラルネットワークフレームワークを提案する。我々のフレームワークは離散化不変であり、粗い格子で訓練されたモデルをより微細なものに一般化することができる。その結果,von Karman vortex shedding, ligament breakup, bubble adhesionなどの複雑な流れシナリオの堅牢性を示した。
論文参考訳（メタデータ） (2025-09-26T14:36:23Z)
An effective physics-informed neural operator framework for predicting wavefields [10.94738894332709]
我々はヘルムホルツ方程式を効率的に解くために物理インフォームド畳み込みニューラル演算子(PICNO)を導入する。 PICNOは、均質媒質と速度モデルに対応する背景波動場を入力関数空間とし、散乱波動場を出力関数空間として生成する。限られたトレーニングサンプルであっても、精度の高い精度の予測が可能になる。
論文参考訳（メタデータ） (2025-07-22T10:22:30Z)
Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文参考訳（メタデータ） (2025-07-15T17:57:48Z)
A TVD neural network closure and application to turbulent combustion [1.374949083138427]
トレーニングニューラルネットワーク(NN)は、支配方程式を閉じるための魅力的な特徴を持っている。 NNの定式化は、溶液の有界性や陽性性に反する刺激発振を防止するために導入される。離散化方程式に機械学習のクロージャとして組み込まれ、厳格に制約されている。
論文参考訳（メタデータ） (2024-08-06T19:22:13Z)
Neural Stress Fields for Reduced-order Elastoplasticity and Fracture [43.538728312264524]
弾塑性と破壊の低次モデリングのためのハイブリッドニューラルネットワークと物理フレームワークを提案する。鍵となる革新は、暗黙の神経表現を通してキルヒホフ応力場に対する低次元多様体を訓練することである。最大10万倍の次元削減と最大10倍の時間節約を実証した。
論文参考訳（メタデータ） (2023-10-26T21:37:32Z)
Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文参考訳（メタデータ） (2023-01-19T20:04:36Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
論文参考訳（メタデータ） (2021-07-19T20:18:57Z)
Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文参考訳（メタデータ） (2021-04-06T01:44:15Z)
Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。