論文の概要: Physics-Informed Foresight Pruning for Sparse PINN Solvers of Nonlinear PDEs

• arxiv url: http://arxiv.org/abs/2608.25564v1
• Date: Wed, 26 Aug 2026 09:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.69865
• Title: Physics-Informed Foresight Pruning for Sparse PINN Solvers of Nonlinear PDEs
• Title（参考訳）: 非線形PDEのスパースPINN解に対する物理インフォームドフォレストプルーニング
• Authors: Ahmad Ishaque Karimi, Uvini Balasuriya Mudiyanselage, Kookjin Lee,
• Abstract要約: 平易なPirateNet PDEソルバのための物理インフォームドスペクトル対応プルーニング(PI-SAP)を提案する。 実験により、PI-SAPはグレイ・スコットの残留忠実度をより一定に保ち、攻撃的疎度の下では競争的であることが示された。 小バッチのPINN-NTK診断では、残差の忠実度、解精度、カーネル条件がそれぞれ異なる目的であることが示されている。
• 参考スコア（独自算出の注目度）: 8.49003726182843
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-informed neural networks (PINNs) often rely on over-parameterized models to optimize coupled solution and differential-residual objectives, leaving unclear how much capacity is necessary and what pruning should preserve. We study foresight pruning at initialization for sparse PirateNet PDE solvers. Standard neural tangent kernel spectrum-aware pruning (NTK-SAP) aims to preserve output-side training dynamics but may overlook parameters whose main influence arises through derivatives in the governing equations. We introduce physics-informed spectrum-aware pruning (PI-SAP), which assigns saliency using sensitivity of the PDE residual. Experiments on the Gray-Scott equations, complex Ginzburg-Landau equation, Burgers' equation, and linear convection equation show that PI-SAP more consistently preserves Gray-Scott residual fidelity and is competitive under aggressive sparsity. However, no criterion is uniformly optimal across equations or sparsity levels. Small-batch PINN-NTK diagnostics further show that residual fidelity, solution accuracy, and kernel conditioning are distinct objectives, motivating pruning methods that explicitly balance solution-side and residual-side training dynamics during optimization.
• 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、しばしば、結合された解と微分残差目的を最適化するために過パラメータモデルに依存し、どれくらいのキャパシティが必要か、どのプルーニングが保存されるべきかははっきりしない。 スパースPirateNet PDEソルバの初期化におけるフォレストプルーニングについて検討する。 標準ニューラル・タンジェント・カーネル・スペクトル認識プルーニング(NTK-SAP)は、出力側トレーニングのダイナミクスを維持することを目的としている。 物理インフォームドスペクトル認識プルーニング (PI-SAP) を導入し, PDE残基の感度を利用して塩分濃度を割り当てる。 グレイ・スコット方程式、複素ギンズバーグ・ランダウ方程式、バーガーズ方程式、線形対流方程式の実験により、PI-SAPはグレイ・スコットの残留忠実度をより一定に保ち、攻撃的疎度の下では競合することを示した。 しかし、方程式やスパーシティレベルに対して一様に最適である基準は存在しない。 小さいバッチのPINN-NTK診断は、最適化中に解側と残側トレーニングのダイナミクスを明示的にバランスさせるプルーニング法を動機付け、残差の忠実度、解精度、カーネル条件が異なる目的であることを示している。

関連論文リスト

• PDE-aware Optimizer for Physics-informed Neural Networks [0.0]
  サンプルごとのPDE残差に基づいてパラメータ更新を適応するPDE認識を提案する。 この方法は、SOAPのような二階勾配の計算コストを伴わずに、勾配のずれに対処する。 PINN訓練におけるPDE残差認識適応性の有効性について検討した。
  論文  参考訳（メタデータ） (2025-07-10T19:07:55Z)
• High precision PINNs in unbounded domains: application to singularity formulation in PDEs [83.50980325611066]
  ニューラルネットワークアンサッツの選択、サンプリング戦略、最適化アルゴリズムについて検討する。 1次元バーガース方程式の場合、我々のフレームワークは非常に高精度な解が得られる。 2D Boussinesq 方程式の場合、損失が 4$ の解は citewang2023asymsymptotic よりも小さく、トレーニングステップは少ない。
  論文  参考訳（メタデータ） (2025-06-24T02:01:44Z)
• PIG: Physics-Informed Gaussians as Adaptive Parametric Mesh Representations [5.4087282763977855]
  本稿では,ガウス関数を用いた特徴埋め込みと軽量ニューラルネットワークを組み合わせた物理インフォームドガウス(PIG)を提案する。 提案手法では,各ガウス平均と分散にトレーニング可能なパラメータを用い,トレーニング中の位置と形状を動的に調整する。 実験の結果,複雑なPDEを解くための堅牢なツールとしての可能性を示した。
  論文  参考訳（メタデータ） (2024-12-08T16:58:29Z)
• Dual Cone Gradient Descent for Training Physics-Informed Neural Networks [0.0]
  物理インフォームド・デュアルニューラルネットワーク(PINN)は偏微分方程式の解法として注目されている。 コーン領域内に落下するのを確実にするために、更新された勾配の方向を調節する新しいフレームワークであるDual Cone Gradient Descent (DCGD)を提案する。
  論文  参考訳（メタデータ） (2024-09-27T03:27:46Z)
• Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
  定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。 定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
  論文  参考訳（メタデータ） (2023-11-30T22:34:57Z)
• 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)
• LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
  エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。 ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)

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。