論文の概要: A Systematic Analysis of Automatic Differentiation versus Discretization-based Constraints for Physics-Informed PDE Solvers

• arxiv url: http://arxiv.org/abs/2609.07437v1
• Date: Mon, 07 Sep 2026 12:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.426554
• Title: A Systematic Analysis of Automatic Differentiation versus Discretization-based Constraints for Physics-Informed PDE Solvers
• Title（参考訳）: 物理インフォームドPDEソルバーの自動微分と離散化に基づく制約の体系的解析
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、人工知能を用いて偏微分方程式(PDE)を解くフロンティアの成長を表す 我々は, 単純な線形ポアソンから強い不連続性を持つ高Mach超音速流れまで, 幅広い問題に対して系統的な実験を行う。 非線形性が強まるにつれ、離散化に基づく制約の精度上の優位性がますます顕著になる。
• 参考スコア（独自算出の注目度）: 5.821193246951147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) represent a growing frontier in using artificial intelligence to solve partial differential equations (PDEs). Automatic differentiation (AD) plays a central role in this paradigm, which is mesh-free and replaces traditional iterative solvers with gradient-based optimization in continuous space. However, the inherent limitations of AD, particularly in handling higher-order derivatives and discontinuous solutions, pose significant challenges for complex problems. This has motivated a growing number of researchers to explore discretization-based constraints as an alternative path. Yet, the respective applicability of these two paradigms remains largely unexplored. In this work, we conduct systematic experiments across a wide spectrum of problems, from simple linear Poisson to high-Mach hypersonic flows with strong discontinuities. Through a rigorous decomposition of approximation, optimization, and truncation errors, we systematically elucidate the fundamental trade-offs and error-governing mechanisms of both paradigms, as well as two representative network architectures: multi-layer perceptron (MLP) and graph neural network (GNN). Our results reveal a consistent trend: as nonlinearity strengthens, the accuracy advantage of discretization-based constraints becomes increasingly pronounced, with smaller optimization errors compensating for the truncation errors. Moreover, the more complex the nonlinearity and boundary conditions, the greater the advantage of GNN over MLP. These insights offer a robust practical guideline for configuring neural PDE solvers in demanding engineering applications. Our source data and code are available at https://github.com/guoxing0809/neuropde_analysis.
• 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、人工知能を用いて偏微分方程式(PDE)を解く際のフロンティアの増大を表す。 自動微分(AD)はこのパラダイムにおいて中心的な役割を担い、メッシュフリーであり、伝統的な反復解法を連続空間における勾配に基づく最適化に置き換える。 しかし、ADの本質的な制限、特に高次微分や不連続解を扱う際には、複雑な問題に対して重大な課題が生じる。 これにより、離散化に基づく制約を代替経路として探究する研究者が増えている。 しかし、これらの2つのパラダイムのそれぞれの適用性はほとんど解明されていない。 本研究では, 単純な線形ポアソンから, 強い不連続性を持つ高Mach超音速流れまで, 幅広い問題に対して系統的な実験を行う。 近似,最適化,トランケーションエラーの厳密な分解を通じて,両パラダイムの基本的なトレードオフとエラー管理機構を体系的に解明し,多層パーセプトロン(MLP)とグラフニューラルネットワーク(GNN)という2つの代表的なネットワークアーキテクチャを設計した。 非線形性が強まるにつれて、離散化に基づく制約の精度の優位性がますます顕著になり、トラルニケート誤差を補正する最適化誤差が小さくなる。 さらに、非線形性や境界条件が複雑になればなるほど、MLPよりもGNNの方が有利になる。 これらの洞察は、要求されるエンジニアリングアプリケーションにおいて、ニューラルネットワークPDEソルバを設定するための堅牢な実用的なガイドラインを提供する。 ソースコードとコードはhttps://github.com/guoxing0809/neuropde_analysis.comで公開されています。

関連論文リスト

• Adjoint Method versus Physics-Informed Neural Networks in PDE-Constrained Inverse Problems [48.470700002941136]
  偏微分方程式(PDE)が支配する逆問題は計算力学の中心であり、随伴型最適化によってよく解かれる。 物理インフォームドニューラルネットワーク(PINN)がフレキシブルな代替手段として登場した。 PDE制約逆問題に対する随伴最適化とPINNの公正比較を示す。
  論文  参考訳（メタデータ） (2026-06-10T17:07:09Z)
• BEACONS: Bounded-Error, Algebraically-Composable Neural Solvers for Partial Differential Equations [0.0]
  我々は,PDEのための公式検証ニューラルネットワークソルバを構築することにより,制限を回避することができることを示す。 浅部ニューラルネットワーク近似の最悪のLinf誤差に対して,厳密な外挿境界を構築することができるかを示す。 BEACONSと呼ばれるこのフレームワークは、ニューラルネットワーク自身のための自動コード証明と、機械チェック可能な正当性証明を生成するための見事な自動定理生成システムの両方を含む。
  論文  参考訳（メタデータ） (2026-02-16T15:49:19Z)
• 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)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• General-Kindred Physics-Informed Neural Network to the Solutions of Singularly Perturbed Differential Equations [11.121415128908566]
  我々は,Singular Perturbation Differential Equations(SPDE)の解法として,GKPINN(General-Kindred Physics-Informed Neural Network)を提案する。 この手法は, 境界層の事前知識を方程式から利用し, 境界層を近似するPINNを支援する新しいネットワークを確立する。 GKPINNは,確立したPINN法と比較して,2～4桁の誤差を2～4桁に削減し,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-08-27T02:03:22Z)
• A Stable and Scalable Method for Solving Initial Value PDEs with Neural Networks [52.5899851000193]
  我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。 このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。 まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
  論文  参考訳（メタデータ） (2023-04-28T17:28:18Z)
• 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)
• Learning differentiable solvers for systems with hard constraints [48.54197776363251]
  ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。 我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。 その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
  論文  参考訳（メタデータ） (2022-07-18T15:11:43Z)
• 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)
• Mitigating Learning Complexity in Physics and Equality Constrained Artificial Neural Networks [0.9137554315375919]
  偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。 PINNでは、利害関係のPDEの残留形態とその境界条件は、軟罰として複合目的関数にまとめられる。 本稿では,この目的関数を定式化する方法が,異なる種類のPDEに適用した場合のPINNアプローチにおける厳しい制約の源であることを示す。
  論文  参考訳（メタデータ） (2022-06-19T04:12:01Z)
• 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)
• Physics and Equality Constrained Artificial Neural Networks: Application to Partial Differential Equations [1.370633147306388]
  偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。 本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。 本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-30T05:55:35Z)
• NTopo: Mesh-free Topology Optimization using Implicit Neural Representations [35.07884509198916]
  トポロジ最適化問題に対処する新しい機械学習手法を提案する。 我々は多層パーセプトロン(MLP)を用いて密度場と変位場の両方をパラメータ化する。 実験を通じて示すように、私たちのアプローチの大きな利点は、継続的ソリューション空間の自己教師付き学習を可能にすることです。
  論文  参考訳（メタデータ） (2021-02-22T05:25:22Z)
• 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)

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。