論文の概要: A user's guide to PINNs in geometric analysis: lessons from the asymptotic Plateau problem

• arxiv url: http://arxiv.org/abs/2607.28733v1
• Date: Thu, 30 Jul 2026 18:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.429448
• Title: A user's guide to PINNs in geometric analysis: lessons from the asymptotic Plateau problem
• Title（参考訳）: 幾何学解析におけるPINNのユーザガイド--漸近プラトー問題からの教訓
• Authors: Tancredi Schettini Gherardini,
• Abstract要約: この貢献は arXiv05:26.26234v2: マルコ・ウスラとの共同研究の成果を詳述している。 物理インフォームドニューラルネットワーク(PINN)に基づく機械学習フレームワークを提案する。 フレームワークの2つの側面について,我々の経験から,メソッドが全く機能しないかどうかを判断する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This proceedings contribution elaborates on the findings of arXiv:2605.26234v2: a joint work with Marco Usula, where we introduced a machine learning framework based on physics-informed neural networks (PINNs), aimed at constructing near-minimal discs in hyperbolic space asymptotic to a prescribed knot at infinity. We used this method to provide numerical evidence for a conjecture of Joel Fine relating minimal surfaces in $H^{4}$ to the coefficients of the HOMFLY polynomial. This is a methodological companion to that paper, based on a presentation given at the 2026 edition of the workshop "DANGER: Data, Numbers, and Geometry". Rather than reviewing the results, which are presented extensively in the preprint above, we discuss the two aspects of the framework which, in our experience, determined whether the method worked at all. First, the geometry of the problem must be encoded in the architecture of the model, so that the boundary condition and asymptotics at infinity hold exactly for every value of the learnable parameters - leaving us with a single-component loss function; second, the evaluation of the PDE residual must be engineered with care to ensure that complete trainings can be performed in a reasonable time. On the latter point, we describe two implementation techniques which are not spelled out in detail in the original paper: replacing nested reverse-mode automatic differentiation with the forward propagation of second-order jets, and compiling the computational graph of the residual once instead of rebuilding it at every optimisation step. Together, on identical hardware, these two changes reduce the cost of a training step by a factor of roughly forty to fifty. We hope these methodological discussions can be useful for researchers in differential geometry and geometric analysis who wish to deploy PINNs on problems of their own.
• Abstract（参考訳）: 本論文は, 物理インフォームドニューラルネットワーク(PINN)に基づく機械学習フレームワークを導入したMarco Usula氏による共同研究で, 無限度で所定の結び目に類似した双曲空間において, ほぼ最小の円盤を構成することを目的とした, arXiv:2605.26234v2の発見を詳述するものである。 我々はこの方法を用いて、HoMFLY多項式の係数に対して$H^{4}$の最小曲面に関するJoel Fineの予想に関する数値的な証拠を提供した。 これは、ワークショップ「DANGER: Data, Numbers, and Geometry」の2026年版で発表されたプレゼンテーションを基にした、この論文の方法論的な伴奏である。 上述のプリプリントで広範囲に提示された結果をレビューするのではなく、我々の経験から、この手法が全く機能するかどうかを判断するフレームワークの2つの側面について論じる。 第一に、問題の幾何学はモデルのアーキテクチャにエンコードされなければならないので、無限大の境界条件と漸近が、学習可能なパラメータのすべての値に対して正確に保持される。 後者では、ネストした逆モード自動微分を2次ジェットの前方伝播に置き換える手法と、各最適化ステップで再構築する代わりに、残差の計算グラフを一度コンパイルする手法について述べる。 同時に、同じハードウェア上で、これらの2つの変更は、トレーニングステップのコストをおよそ40から50に削減する。 これらの方法論的議論は、PINNを独自の問題に展開したいと願う、微分幾何学や幾何学的分析の研究者にとって有用であると期待する。

関連論文リスト

• Learning the Helmholtz equation operator with DeepONet for non-parametric 2D geometries [0.0]
  中心に任意の境界幾何学を含む2次元正方形領域を考える。 目的は散乱体と散乱体の幾何学を結びつける演算子を学ぶことである。 訓練されたネットワークウェイトは、局所物理学とドメイン幾何学との相互作用を暗黙的に埋め込む。
  論文  参考訳（メタデータ） (2026-05-01T16:19:20Z)
• Model-Based and Sample-Efficient AI-Assisted Math Discovery in Sphere Packing [51.30643063554434]
  上界の先導手法である三点法は、大高精度半確定プログラム(SDP)の解法に問題を還元する。 我々は、SDP構成を、ポリシーが一連の許容成分からSDP定式化を組み立てる逐次決定過程、SDPゲームとして定式化する。 従来からある幾何学的問題において,モデルに基づく探索が計算の進歩を推し進めることができることを示す。
  論文  参考訳（メタデータ） (2025-12-04T14:11:52Z)
• HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions [16.904297509040777]
  パラメトリックPDEの幅広いクラスにまたがるゼロショット一般化のために設計された多物理ニューラル演算子であるHyPINOについて述べる。 このモデルは、PDEパラメトリゼーションをターゲットとする物理情報ニューラルネットワーク(PINN)にマッピングし、線形楕円型、双曲型、放物型方程式を2次元で扱うことができる。 HyPINOは、PINNによる7つのベンチマーク問題、U-Net、文学、物理インフォームドニューラル演算子(PINO)よりも優れたゼロショット精度を実現している。
  論文  参考訳（メタデータ） (2025-09-05T13:59:25Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• A Physics-Informed Meta-Learning Framework for the Continuous Solution of Parametric PDEs on Arbitrary Geometries [0.0]
  任意の測地上での偏微分方程式(PDE)の連続およびパラメトリック解に対する暗黙的有限演算子学習(iFOL)を導入する。 本稿では,連続パラメータと解空間のマッピングを確立するための物理インフォームドエンコーダデコーダネットワークを提案する。 我々はこれらの特徴を批判的に評価し、定常PDEと過渡PDEの両方で見つからないサンプルに一般化するネットワークの能力を解析する。
  論文  参考訳（メタデータ） (2025-04-03T10:24:00Z)
• Physics-informed reduced order model with conditional neural fields [4.5355909674008865]
  本研究では、パラメータ化偏微分方程式(PDE)の解を近似するために、低次モデリング(CNF-ROM)フレームワークのための条件付きニューラルネットワークを提案する。 このアプローチは、潜伏状態からPDEソリューションを再構成するデコーダと、時間とともに潜伏ダイナミクスをモデル化するためのパラメトリックニューラルネットワークODEを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-06T18:04:33Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)

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。