論文の概要: Learning Spectral-Like Mesh-Free Discretisations

• arxiv url: http://arxiv.org/abs/2609.02833v1
• Date: Wed, 02 Sep 2026 17:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.478713
• Title: Learning Spectral-Like Mesh-Free Discretisations
• Title（参考訳）: スペクトルのようなメッシュフリーな議論を学習する
• Abstract要約: 本稿では,これらの自由度の選択を学習問題とするスペクトル型モーダルニューラル離散化(SpeND)を提案する。 ハード制約プロジェクション層は、ネットワーク出力を一貫した重みのアフィン部分空間にマッピングするので、一貫性はペナルティではなく建設によって正確に保持される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meshfree methods such as smoothed particle hydrodynamics (SPH) with kernel corrections, radial basis function-generated finite differences (RBF-FD), and the local anisotropic basis function method (LABFM) construct discrete differential operators by imposing polynomial consistency on a local stencil. For stencils containing more nodes than there are consistency constraints, the resulting linear system is underdetermined, and the remaining degrees of freedom are fixed implicitly by the choice of kernel, basis preconditioning, or a minimum-norm condition. Polynomial consistency constrains the operator only in the low-wavenumber limit, and no part of the construction selects for accuracy at the wavenumbers where fine-scale content resides. We introduce Spectral-like Neural Discretisation (SpeND), in which the choice of those degrees of freedom is cast as a learning problem: stencil weights are parametrised by a neural network conditioned on the local node geometry, trained to approximate the modal response of a spectral operator over the resolvable band. A hard-constrained projection layer maps the network output onto the affine subspace of consistent weights, so that polynomial consistency holds exactly by construction rather than as a penalty. Training is self-supervised and physics-agnostic, requiring no reference solutions; the objective minimises dispersion and dissipation error over a prescribed band-limited function space. Modal analysis on disordered two-dimensional node distributions shows that the learned fourth-order operator follows the exact response over a substantially wider band than either explicit LABFM at equal stencil size or fourth-order finite differences on a structured grid, whilst recovering the expected fourth-order convergence rate under refinement.
• Abstract（参考訳）: 局所ステンシル上に多項式整合性を持たせることで、スムーズな粒子流体力学(SPH)、放射基底関数生成有限差分法(RBF-FD)、局所異方性基底関数法(LABFM)などのメッシュフリー手法が離散微分作用素を構成する。 整合性制約よりも多くのノードを含むステンシルの場合、結果として生じる線形系は過小評価され、残りの自由度はカーネルの選択、基底条件、最小ノルム条件によって暗黙的に固定される。 多項式の整合性は、演算子を低波数制限のみに制限し、微細なコンテンツが存在する波数で正確性を選択する構成は存在しない。 本稿では,これらの自由度の選択を学習問題とするスペクトル型ニューラル離散化(SpeND)について紹介する。ステンシル重みは局所ノード形状を条件としたニューラルネットワークによってパラメータ化され,可解帯域上のスペクトル演算子の変調応答を近似するように訓練される。 厳密な制約のある射影層は、ネットワーク出力を一貫した重みのアフィン部分空間にマッピングするので、多項式の整合性はペナルティではなく建設によって正確に保持される。 訓練は自己監督的であり、物理に依存しないため、基準解は必要とせず、目的は所定の帯域制限函数空間上の分散と散逸誤差を最小化する。 乱れた2次元ノード分布のモーダル解析により、学習された4階演算子は、構造格子上の2つのステンシルサイズまたは4階有限差における明示的なLABFMよりもはるかに広い帯域上での正確な応答に従い、洗練された4階収束率を回復することを示した。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Domain-Decomposed Randomized Neural Networks for Partial Differential Equations in Unbounded Domains [5.423324761643612]
  非有界領域上の偏微分方程式は、外界領域は過剰なトラニケート誤差を伴わずに表わさなければならないため、困難である。 このような問題に対するドメイン分割型ランダム化ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-30T08:41:54Z)
• A Convex Quasilinearization Method for Solving Nonlinear PDEs with Physics-Informed Neural Networks [0.0]
  非線形偏微分方程式(PDE)の前方解の数値解法を提案する。 この方法であるLiL-Qは、7つのベンチマークで評価され(平面ひずみ弾性と2次元および3次元の非圧縮性ナビエ・ストークス方程式)、不均一な透水性を持つ定常流を含む。
  論文  参考訳（メタデータ） (2026-06-16T17:09:59Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• 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)
• CompNO: A Novel Foundation Model approach for solving Partial Differential Equations [0.0]
  偏微分方程式は幅広い物理現象を支配しているが、その数値解は計算的に要求されるままである。 最近のSFM(Scientific Foundation Models)は、シミュレーションシステムの大規模なコレクションから普遍的なサロゲートを学習することで、このコストを軽減することを目的としている。 パラメトリックPDEのための合成ニューラルネットワークフレームワークCompNOを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T10:04:48Z)
• Manifold limit for the training of shallow graph convolutional neural networks [1.2744523252873352]
  本研究では,浅部グラフ畳み込みニューラルネットワーク(GCNN)のサンプル点雲近傍グラフにおけるトレーニングの整合性について検討した。 我々は、正規化された経験的リスク最小化関数の$$-convergenceと、それらの大域的最小化関数の対応する収束を証明した。
  論文  参考訳（メタデータ） (2026-01-09T18:59:20Z)
• Polynomial Neural Sheaf Diffusion: A Spectral Filtering Approach on Cellular Sheaves [23.06390960959433]
  シーフニューラルネットワークは、局所ベクトル空間(ストーク)を割り当てる幾何学構造と、ノードやエッジへの線形学習可能な制限/転送マップを割り当てる。 正規化層ラプラシアンにおいて,伝播作用素が次数-Kである新しい層拡散法であるPolyNSDを導入する。
  論文  参考訳（メタデータ） (2025-11-28T23:10:54Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
  我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。 対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
  論文  参考訳（メタデータ） (2021-10-24T08:57:46Z)

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。