論文の概要: Perturbative-NeuSA: A Structured Spectral Framework for Time-Dependent PDEs

• arxiv url: http://arxiv.org/abs/2607.24345v1
• Date: Mon, 27 Jul 2026 12:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.415605
• Title: Perturbative-NeuSA: A Structured Spectral Framework for Time-Dependent PDEs
• Title（参考訳）: Perturbative-NeuSA: 時間依存PDEのための構造化スペクトルフレームワーク
• Authors: Xianli Zhu, Jia Yin,
• Abstract要約: 低忠実度背景と高分解能摂動にターゲット溶液を分解する残留定式化であるPerturbative-NeuSAを導入する。 2次元バーガーズ、クライン=ゴルドン、および不均一な2次元波動方程式全体において、決定論的構造解法は訓練されたNeuSAベースラインよりも優れる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural spectral PDE solvers often learn an entire unresolved vector field even when an inexpensive approximate model can already capture most of the trajectory. Here we introduce Perturbative-NeuSA, a residual formulation that decomposes the target solution into a low-fidelity background and a high-resolution perturbation, so that only the unresolved dynamics is learned. Starting from the exact perturbation equation, the method combines a fixed spectral operator, a background-dependent correction, the background defect in the target PDE, and an optional neural closure. This construction makes the roles of physical structure and neural closure separately measurable. Across 2D Burgers, Klein-Gordon, and heterogeneous 2D wave equations, the deterministic structured solver outperforms the trained NeuSA baseline while requiring no neural-network training. The largest gains occur on Burgers, where the deterministic correction reduces training and extrapolation errors by factors of 24 and 44, respectively. In addition, a Klein-Gordon sweep over seven background resolutions shows that the effect of the closure is conditional: it improves a poor background by 3.6 times, becomes neutral at intermediate resolutions, and degrades a well-resolved background. For the wave equation, however, the closure provides an additional 18% reduction when the remaining residual is interface-localized. Multi-initial-condition diagnostics further show that the useful closure regime depends on the initial-condition spectrum and can disappear in extrapolation when structured correction already captures the dominant Burgers dynamics. Perturbative-NeuSA therefore reframes neural closure as a conditional, diagnosable correction governed by background fidelity, residual organization, and compatibility with the closure model.
• Abstract（参考訳）: ニューラルスペクトルPDEソルバは、安価な近似モデルが既に軌道の大部分を捕捉できる場合でも、未解決ベクトル場全体を学習することが多い。 ここでは、目標解を低忠実な背景と高分解能な摂動に分解する残差定式化であるPerturbative-NeuSAを導入し、未解決のダイナミクスのみを学ぶ。 正確な摂動方程式から始めて、固定スペクトル演算子、バックグラウンド依存補正、ターゲットPDEの背景欠陥、オプションの神経クロージャを組み合わせる。 この構造は、物理的構造と神経閉鎖の役割を別々に測定できる。 2D Burgers, Klein-Gordon, and heterogeneous 2D wave equations, the deterministic structured solver are outperforming the training NeuSA baseline while without neural-network training。 バーガースでは、決定論的補正によってトレーニングエラーと外挿エラーがそれぞれ24と44の要因で減少する。 さらに、Klein-Gordonは7つの背景解像度を網羅し、クロージャの効果が条件付きであることを示し、背景が3.6倍改善され、中間解像度では中性化され、背景がよく分解される。 しかし、波動方程式の場合、残りの残余が界面局在化されると、閉包はさらに18%減少する。 マルチ初期条件診断は、有用なクロージャ機構が初期条件スペクトルに依存することを示し、構造化補正が既に支配的なバーガース力学を捉えている場合、外挿で消える可能性があることを示している。 したがって、摂動性NeuSAは神経閉鎖を、背景の忠実さ、残留組織、および閉鎖モデルとの整合性によって支配される条件付き診断可能な補正として再構成する。

関連論文リスト

• Error-Conditioned Neural Solvers [36.51479208528461]
  ニューラルサロゲートモデルは、PDEパラメータから解への高速な近似マッピングを提供するが、それらは一般に純粋に統計的タスクとして解決を扱う。 最近のハイブリッド手法は、勾配降下またはガウス・ニュートンステップを介してPDE残差を目標とすることで物理的正当性を促進するが、基礎となる古典勾配の計算コストと不安定性を継承する。 理論的・実験的にPDE残差の数値最小化は、不調なシステムにおける再構成精度の信頼性の低いプロキシであることを示す。
  論文  参考訳（メタデータ） (2026-06-25T17:56:27Z)
• Graph Diffusion Residuals for Control-Function Instrumental Variables [82.39671985893028]
  高容量の第1段階は治療を補間し、結果方程式の残余情報はほとんど残らない。 フレキシブル制御機能のための決定論的グラフ拡散残差抽出器であるAdaptive Anisotropic Instrumental Heat Flow (A-IHF) について検討した。 A-IHFは、処理を第一段階の特徴のグラフ上の信号として扱い、パイロット拡散を用いて大きな処理ジャンプを検出し、それらのジャンプのコンダクタンスを減衰させ、スパースグラフ分解剤で生成された制御を計算する。
  論文  参考訳（メタデータ） (2026-06-12T17:02:53Z)
• Hybrid Iterative Neural Low-Regularity Integrator for Nonlinear Dispersive Equations [0.0]
  HIN-LRIは、古典的な数値解法をニューラルネットワークで拡張し、解法の構造化トランケーション誤差を補正するハイブリッドフレームワークである。 低次元の潜在多様体上で動作する軽量ニューラルネットワークは、分析手法が閉じられない残留欠陥を学習する。 実験により、HIN-LRIは解析的、分割的手法、神経的PDEサロゲートよりも精度を向上し、安定した空間的精細化、効果的なアウト・オブ・ディストリビューション転送、オンラインオーバーヘッドを緩和することが示された。
  論文  参考訳（メタデータ） (2026-05-06T12:50:36Z)
• A Green-Integral-Constrained Neural Solver with Stochastic Physics-Informed Regularization [3.491999371287298]
  音響ヘルムホルツ方程式に対するグリーン・インテグラル(GI)ニューラルソルバを提案する。 これは、積分表現を通じて波動物理学を強制することによって、PDE-残留性に基づく定式化から逸脱する。 GIベースのトレーニングはPDEベースのPINNを一貫して上回り、計算コストを10倍以上削減することを示した。
  論文  参考訳（メタデータ） (2026-04-23T08:24:10Z)
• Resolving Sharp Gradients of Unstable Singularities to Machine Precision via Neural Networks [1.0360290387805817]
  最近の研究は、組込み数学構造、高度な最適化、ニューラルネットワークアーキテクチャを組み合わせた堅牢な計算フレームワークを導入している。 この枠組みは、非圧縮性多孔体メディア (IPM) や 2D Boussinesq システムなど、主要な流体力学方程式に対する不安定な自己相似解の発見につながった。 この枠組みはこれらの特異点の存在を裏付けるものであるが、1D Crdoba-Crdoba-Fontelosモデルの安定および1次不安定解に対して、ダブルフロートマシン精度に近づく精度レベルが達成された。
  論文  参考訳（メタデータ） (2025-11-28T00:42:21Z)
• Guided Diffusion Sampling on Function Spaces with Applications to PDEs [112.09025802445329]
  PDEに基づく逆問題における条件付きサンプリングのための一般的なフレームワークを提案する。 これは、関数空間拡散モデルと条件付けのためのプラグアンドプレイガイダンスによって達成される。 提案手法は,最先端の固定解像度拡散ベースラインに対して平均32%の精度向上を実現する。
  論文  参考訳（メタデータ） (2025-05-22T17:58:12Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Adversarial Adaptive Sampling: Unify PINN and Optimal Transport for the Approximation of PDEs [2.526490864645154]
  ニューラルネットワークモデルにより与えられた近似解とトレーニングセットのランダムサンプルを同時に最適化する新しいminmax式を提案する。 鍵となる考え方は、深層生成モデルを用いてトレーニングセット内のランダムサンプルを調整し、近似されたPDE解によって誘導される残差が滑らかなプロファイルを維持することである。
  論文  参考訳（メタデータ） (2023-05-30T02:59:18Z)

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。