Fugu-MT 論文翻訳(概要): Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators

論文の概要: Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators

arxiv url: http://arxiv.org/abs/2609.08102v1
Date: Tue, 08 Sep 2026 01:21:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.545033
Title: Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators
Title（参考訳）: ウェーブレット符号化フーリエニューラル演算子を用いたメタマテリアル固有値の学習
Abstract要約: ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
参考スコア（独自算出の注目度）: 57.64362886310329
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning surrogates based on neural operators have shown broad applicability in solving forward PDE problems. However, eigenvalue problems, in which an eigenparameter and one of several valid eigenmodes must be simultaneously solved, remain difficult because standard operator learning formulations assume a unique input-output map. This work demonstrates that Fourier Neural Operators (FNOs), combined with wavelet-based encodings of PDE inputs, can learn and predict multiple eigenmodes of the elastic wave equation, corresponding to deformation modes of acoustic waves propagating through arbitrary metamaterial geometries. We provide a mechanistic explanation and experimental evidence for why wavelet encodings are well matched to the dual spatial-spectral structure of the FNO, enabling deterministic mode selection on both continuous-valued and binary-valued geometries within a single model, and for why prediction accuracy varies with geometric discontinuities. For metamaterial design, the resulting surrogate accelerates the simulation stage of the design cycle by three orders of magnitude relative to finite element analysis on a consumer-grade CPU, while preserving high fidelity. These results also carry broader implications for designing input encodings in other multi-mode PDE solvers based on spectral neural operators.
Abstract（参考訳）: ニューラル演算子に基づく機械学習サロゲートは、前方PDE問題の解決に幅広い適用性を示している。しかし、固有パラメータといくつかの有効な固有モデムの1つを同時に解かなければならない固有値問題は、標準的な演算子学習の定式化がユニークな入出力写像を仮定するので、依然として困難である。本研究は,PDE入力のウェーブレットに基づく符号化と組み合わせたフーリエニューラル演算子(FNO)が,任意のメタマテリアルジオメトリを伝播する音響波の変形モードに対応する弾性波方程式の複数の固有モードを学習し,予測できることを実証する。本研究では,FNOの2次元空間スペクトル構造とウェーブレット符号化がよく一致している理由を,単一モデル内で連続値と二値値の双方で決定論的モード選択が可能であり,なぜ予測精度が幾何不連続で変化するのかを実験的に説明する。メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階をコンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速し、高い忠実さを保っている。これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。

関連論文リスト

Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
論文参考訳（メタデータ） (2026-09-02T13:15:50Z)
Neural Quantum Spectral Operator Learning for Solving Partial Differential Equations [10.074375064860753]
偏微分方程式 (Partial differential equation, PDE) は物理系や工学系のモデリングの中心である。オペレータ学習は高速なサロゲート推論を可能にするが、通常は大規模な入出力ペアデータセットを必要とする。本稿では,Regendre--Galerkin弱定式化を利用したハイブリッド量子古典演算子学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-12T10:30:14Z)
Variational Matrix-Learning Fourier Networks for Parametric Multiphysics Surrogates [12.543714327701842]
本稿では,パラメトリック多物理代理モデルのための変分行列学習フーリエネットワーク(VMLFN)を提案する。 VMLFNはランダムサンプリングスペクトル周波数、周波数依存減衰制御、埋め込みディリクレ境界条件による対数空間正弦神経表現を構築する。 5つのベンチマークケースの結果、VMLFNは相当なスピードアップで正確なフルフィールド予測を提供することを示した。
論文参考訳（メタデータ） (2026-05-04T07:11:18Z)
Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations [65.80144621950981]
我々はWienerカオス拡張(WCE)に基づいて、SPDEとSDEのためのニューラル演算子(NO)アーキテクチャを設計する。 WCEベースのニューラル演算子は、SDE/SPDEソリューション演算子を学習するための実用的でスケーラブルな方法を提供する。
論文参考訳（メタデータ） (2026-01-03T00:59:25Z)
Equivariant U-Shaped Neural Operators for the Cahn-Hilliard Phase-Field Model [4.79907962230318]
等価なU字型ニューラル作用素(E-UNO)が過去の力学の短い歴史から位相場変数の進化を学習できることを示す。対称性とスケール階層を符号化することにより、モデルはより一般化され、トレーニングデータが少なくなり、物理的に一貫したダイナミクスが得られる。
論文参考訳（メタデータ） (2025-09-01T09:25:31Z)
Geometry aware inference of steady state PDEs using Equivariant Neural Fields representations [0.30786914102688595]
本稿では,幾何的変動を考慮した定常PDEの予測手法であるenf2enfを紹介する。本手法は,特定空間に固定された遅延特徴にジオメトリを符号化し,ネットワーク全体の局所性を保存する。
論文参考訳（メタデータ） (2025-04-24T08:30:32Z)
A Physics-Informed Meta-Learning Framework for the Continuous Solution of Parametric PDEs on Arbitrary Geometries [0.0]
任意の測地上での偏微分方程式(PDE)の連続およびパラメトリック解に対する暗黙的有限演算子学習(iFOL)を導入する。本稿では,連続パラメータと解空間のマッピングを確立するための物理インフォームドエンコーダデコーダネットワークを提案する。我々はこれらの特徴を批判的に評価し、定常PDEと過渡PDEの両方で見つからないサンプルに一般化するネットワークの能力を解析する。
論文参考訳（メタデータ） (2025-04-03T10:24:00Z)
DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
Diminoは次元分析にインスパイアされたフレームワークである。既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文参考訳（メタデータ） (2023-01-30T04:58:40Z)
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文参考訳（メタデータ） (2022-04-13T08:53:41Z)
A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文参考訳（メタデータ） (2021-10-26T07:02:14Z)

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。