論文の概要: The Frame Kernel Method for Multiscale Operator Learning

• arxiv url: http://arxiv.org/abs/2608.25084v2
• Date: Tue, 01 Sep 2026 15:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.482194
• Title: The Frame Kernel Method for Multiscale Operator Learning
• Title（参考訳）: マルチスケール演算子学習のためのフレームカーネル法
• Authors: Branden Frieden, Ryan Whitehead, M. Keith Ballard, Robert M. Kirby, Varun Shankar,
• Abstract要約: マルチスケール偏微分方程式(PDE)に対する(数値解法のための)サロゲートモデリングのためのマルチスケール演算子学習法を提案する。 我々は,入力関数のフレーム係数の関数として,出力関数の学習フレーム係数の1つとして演算子学習問題を考察した。 一般化ステップは自動的に出力関数のマルチスケール分解を可能にする。
• 参考スコア（独自算出の注目度）: 4.718216756531087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a natively multiscale operator learning method for the surrogate modeling of (numerical solvers for) multiscale partial differential equations (PDEs). The primary novelty of our method lies in a novel multiscale kernel frame function approximation technique. Leveraging this new kernel frame technique, we cast the operator learning problem as one of learning frame coefficients of output functions as a function of frame coefficients of input functions. The generalization step then automatically allows for a multiscale decomposition of the output functions. Our method is applicable to both tensor-product grids and point clouds. We present interpolation proofs, error estimates, and numerical convergence rates for our frame approximation. We the demonstrate the applicability of our method for the surrogate modeling of inherently multiscale PDEs. The new multiscale frame kernel method is significantly more accurate than popular neural operators on challenging problems from the literature, while simultaneously admitting an a posteriori multiscale decomposition upon generalization.
• Abstract（参考訳）: 本稿では,多スケール偏微分方程式(PDE)のサロゲートモデリングのためのネイティブなマルチスケール演算子学習法を提案する。 本手法の主な新規性は,新しいマルチスケールカーネルフレーム関数近似法にある。 この新たなカーネルフレーム技術を活用することで、演算子学習問題を入力関数のフレーム係数の関数として出力関数の学習フレーム係数の1つとして用いた。 一般化ステップは自動的に出力関数のマルチスケール分解を可能にする。 本手法はテンソル積格子と点雲の両方に適用可能である。 フレーム近似に対する補間証明,誤差推定,数値収束率について述べる。 本稿では,本手法の適用性を,本手法によるマルチスケールPDEのサロゲートモデリングに適用可能であることを示す。 新たなマルチスケールフレームカーネル法は、一般のニューラル演算子よりも、文献の難解な問題に対してはるかに正確であり、同時に一般化による後続のマルチスケール分解を認めている。

関連論文リスト

• Kernel Methods for Learning Operators with Multiple Inputs and Outputs [0.5249805590164902]
  本稿では,観察,表現,学習,再構築を分離する演算子学習のためのカーネルベースのエンコーダデコーダフレームワークを提案する。 我々は,多出力多出力演算子学習のためのこのフレームワークを開発し,演算子を潜在的に異なる関数空間の積間でマップする。 代用演算子と積空間の定式化を相補するカーネルメソッドのファミリーであるKernelMOを導入することで、複数の演算子学習へのアプローチを専門化する。
  論文  参考訳（メタデータ） (2026-08-12T09:15:20Z)
• DInf-Grid: A Neural Differential Equation Solver with Differentiable Feature Grids [73.28614344779076]
  我々は、微分方程式(DE)を効率的に解くための微分可能グリッドベース表現を提案する。 その結果,座標法よりも5～20倍の高速化を実現し,差分方程式を数秒または数分で解き,精度とコンパクト性を維持した。
  論文  参考訳（メタデータ） (2026-01-15T18:59:57Z)
• Multi-Level Monte Carlo Training of Neural Operators [16.643463851493618]
  演算子学習は、ニューラルネットワークを用いて偏微分方程式(PDE)に関連する非線形作用素を近似することを目的としている。 これらは入力関数と出力関数の離散化に依存しており、通常は高解像度で大規模問題の訓練に費用がかかる。 そこで我々は,多レベルモンテカルロ (MLMC) アプローチを用いて,関数二項化の分解能の階層構造を利用してニューラルグラデーション演算子を訓練する。
  論文  参考訳（メタデータ） (2025-05-19T10:26:28Z)
• TensorGRaD: Tensor Gradient Robust Decomposition for Memory-Efficient Neural Operator Training [91.8932638236073]
  textbfTensorGRaDは,重み付けに伴うメモリ問題に直接対処する新しい手法である。 SparseGRaD は総メモリ使用量を 50% 以上削減し,同時に精度も向上することを示した。
  論文  参考訳（メタデータ） (2025-01-04T20:51:51Z)
• A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations [0.0]
  本稿では,物理インフォームド機械学習フレームワークを用いた分散次分数差分方程式の解法を提案する。 分散階関数式をSVRフレームワークに組み込むことで、物理法則を直接学習プロセスに組み込む。 提案手法の有効性は,Caputo-based distributed-order fractional differential equationsの数値実験を通じて検証した。
  論文  参考訳（メタデータ） (2024-09-05T13:20:10Z)
• Multi-Grid Tensorized Fourier Neural Operator for High-Resolution PDEs [93.82811501035569]
  本稿では,メモリ要求を低減し,より一般化したデータ効率・並列化可能な演算子学習手法を提案する。 MG-TFNOは、実世界の実世界の現象の局所的構造と大域的構造を活用することで、大規模な分解能にスケールする。 乱流ナビエ・ストークス方程式において150倍以上の圧縮で誤差の半分以下を達成できる優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-29T20:18:52Z)
• Low-Rank Multitask Learning based on Tensorized SVMs and LSSVMs [65.42104819071444]
  マルチタスク学習(MTL)はタスク関連性を活用して性能を向上させる。 タスクインデックスに対応する各モードを持つ高次テンソルを用いて、複数のインデックスが参照するタスクを自然に表現する。 テンソル化サポートベクターマシン(SVM)と最小2乗サポートベクターマシン(LSSVM)を併用した低ランクMTL手法の汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-30T14:28:26Z)
• A memory-efficient neural ODE framework based on high-level adjoint differentiation [4.063868707697316]
  我々は、高レベル離散アルゴリズムの微分に基づく新しいニューラルODEフレームワーク、PNODEを提案する。 PNODEは他の逆精度の手法と比較してメモリ効率が最も高いことを示す。
  論文  参考訳（メタデータ） (2022-06-02T20:46:26Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• A Solution for Large Scale Nonlinear Regression with High Rank and Degree at Constant Memory Complexity via Latent Tensor Reconstruction [0.0]
  本稿では,高非線形多変量関数を例から学習する新しい手法を提案する。 この手法は、連続函数をバイスで近似できるという性質を生かし、テンソルで表現できる。 モデルを学習するために,線形時間で実装可能な効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-04T14:49:14Z)

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。