論文の概要: Complementary, Not Cumulative: Interaction Effects in Physics-Informed Neural Networks for Navier-Stokes Vortex Shedding

• arxiv url: http://arxiv.org/abs/2608.19632v1
• Date: Thu, 20 Aug 2026 04:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.451807
• Title: Complementary, Not Cumulative: Interaction Effects in Physics-Informed Neural Networks for Navier-Stokes Vortex Shedding
• Title（参考訳）: 相補的・累積的ではない:Navier-Stokes Vortex Sheddingのための物理インフォームニューラルネットワークの相互作用効果
• Abstract要約: PINNは、偏微分方程式をトレーニング損失に直接埋め込む。 本研究では,DFG/Schafer-Turek不定常シリンダーウェイクベンチマークについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed neural networks (PINNs) embed governing partial differential equations directly into the training loss, offering a promising alternative to costly CFD solvers for unsteady flows. Yet the growing list of techniques proposed to improve PINN training is typically validated one at a time, leaving open whether these techniques actually compose. We study this question in depth on the DFG/Schafer-Turek unsteady cylinder wake benchmark. In isolation, nearly every technique performs no better than an untreated baseline. However, combining periodic (SIREN) activations with causal weighting unlocks a previously inaccessible regime, reconstructing velocity and pressure fields to within 4.1% average relative L2 error against an OpenFOAM reference solution. Adding further techniques instead causes catastrophic performance degradation, demonstrating that individually effective PINN interventions can interact nonlinearly and that more elaborate training recipes are not necessarily better.
• 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、偏微分方程式をトレーニング損失に直接組み込んで、非定常フローに対する高価なCFDソルバに代わる有望な代替手段を提供する。 しかし、PINNトレーニングを改善するために提案されるテクニックのリストは、通常、一度に1つだけ検証され、これらのテクニックが実際に構成されているかどうかが明らかになる。 本研究では,DFG/Schafer-Turek不定常シリンダウェイクベンチマークについて検討した。 分離された手法では、ほとんどすべてのテクニックが未処理のベースラインに匹敵しない。 しかし、周期的(SIREN)アクティベーションと因果重み付けを組み合わせることで、これまでアクセスできない状態が解け、速度と圧力場がOpenFOAMの基準解に対して平均L2エラーの4.1%以内に再構成される。 さらなるテクニックを追加することで破滅的なパフォーマンス劣化が起こり、個別に効果的なPINN介入が非線形に相互作用し、より精巧なトレーニングレシピが必ずしも良いとは限らないことを示す。

関連論文リスト

• PhysicsCorrect: A Training-Free Approach for Stable Neural PDE Simulations [4.7903561901859355]
  予測ステップ毎にPDE整合性を強制する,トレーニング不要な修正フレームワークであるNyberCorrectを提案する。 私たちの重要なイノベーションは、オフラインのウォームアップフェーズでJacobianとその擬似逆をプリ計算する効率的なキャッシュ戦略です。 3つの代表的なPDEシステムにおいて、物理コレクトは予測誤差を最大100倍に削減し、無視可能な推論時間を加算する。
  論文  参考訳（メタデータ） (2025-07-03T01:22:57Z)
• Curriculum Learning-Driven PIELMs for Fluid Flow Simulations [0.0]
  本稿では,流体流に関する定常および非定常な非線形偏微分方程式(PDE)を解くために,物理インフォームド・エクストリーム・ラーニング・マシン(PIELM)を用いた2つの新しいアルゴリズムを提案する。 単層PIELMは、線形および準線形PDEの速度と精度において、ディープ物理インフォームドニューラルネットワーク(PINN)より優れているが、非線形問題への拡張は依然として困難である。
  論文  参考訳（メタデータ） (2025-03-08T22:04:23Z)
• Optimizing the Optimizer for Physics-Informed Neural Networks and Kolmogorov-Arnold Networks [3.758814046658822]
  物理情報ニューラルネットワーク(PINN)は、部分マグニチュード方程式(PDE)をニューラルネットワークのトレーニングプロセスにソフト制約として統合することにより、計算PDEソリューションに革命をもたらした。 さらに、物理インフォームドネットワーク(PIKAN)も有効であり、精度も同等である。
  論文  参考訳（メタデータ） (2025-01-22T21:19:42Z)
• Online Pseudo-Zeroth-Order Training of Neuromorphic Spiking Neural Networks [69.2642802272367]
  スパイクニューラルネットワーク(SNN)を用いた脳誘発ニューロモルフィックコンピューティングは、有望なエネルギー効率の計算手法である。 最近の手法では、空間的および時間的バックプロパゲーション(BP)を利用しており、ニューロモルフィックの性質に固執していない。 オンライン擬似ゼロオーダートレーニング(OPZO)を提案する。
  論文  参考訳（メタデータ） (2024-07-17T12:09:00Z)
• Spectral-Refiner: Accurate Fine-Tuning of Spatiotemporal Fourier Neural Operator for Turbulent Flows [6.961408873053586]
  最近の演算子型ニューラルネットワークは、部分微分方程式(PDE)の近似に有望な結果を示している。 これらのニューラルネットワークは、かなりのトレーニング費用を要し、科学や工学の分野において要求される精度を常に達成するとは限らない。
  論文  参考訳（メタデータ） (2024-05-27T14:33:06Z)
• Guaranteed Approximation Bounds for Mixed-Precision Neural Operators [83.64404557466528]
  我々は、ニューラル演算子学習が本質的に近似誤差を誘導する直感の上に構築する。 提案手法では,GPUメモリ使用量を最大50%削減し,スループットを58%向上する。
  論文  参考訳（メタデータ） (2023-07-27T17:42:06Z)
• Decouple Graph Neural Networks: Train Multiple Simple GNNs Simultaneously Instead of One [60.5818387068983]
  グラフニューラルネットワーク(GNN)は、深刻な非効率性に悩まされている。 我々は,より効率的なトレーニングを行うために,多層GNNを複数の単純なモジュールとして分離することを提案する。 提案するフレームワークは,合理的な性能で高い効率性を示す。
  論文  参考訳（メタデータ） (2023-04-20T07:21:32Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• Spline-PINN: Approaching PDEs without Data using Fast, Physics-Informed Hermite-Spline CNNs [4.560331122656578]
  部分微分方程式 (Partial Differential Equations, PDE) は、解くのがとても難しい。 本稿では、最近登場した2つの機械学習ベースのアプローチの利点を組み合わせた新しい手法に基づいて、PDEのソリューションにアプローチすることを提案する。
  論文  参考訳（メタデータ） (2021-09-15T08:10:23Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)

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。