Fugu-MT 論文翻訳(概要): Selective boundary condition reduction via learned error gating

論文の概要: Selective boundary condition reduction via learned error gating

arxiv url: http://arxiv.org/abs/2609.08461v1
Date: Tue, 08 Sep 2026 08:59:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.624126
Title: Selective boundary condition reduction via learned error gating
Title（参考訳）: 学習誤差ゲーティングによる選択境界条件の低減
Abstract要約: パラメトリックPDEは、異なる精度と計算コストで異なる境界条件を認めることができる。 1つの境界条件が別の境界条件を置き換えることができる場合の学習フレームワークを導入する。我々は、厳密なロビン法あるいは非線形境界法則をその極限ディリクレ形式に置き換える応用における特異極限に焦点をあてる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Parametric PDEs can admit different boundary conditions with different accuracy and computational cost. We introduce a framework for learning when one reduced boundary condition can replace another: paired solutions train a neural network to estimate the resulting domain and boundary errors, and the simpler condition is used only when both predicted errors meet prescribed tolerances. We focus on singular limits in applications, in which a stiff Robin or nonlinear boundary law is replaced by its limiting Dirichlet form. We evaluate the method on a galvanic corrosion problem and other nonlinear stationary and evolution problems.
Abstract（参考訳）: パラメトリックPDEは、異なる精度と計算コストで異なる境界条件を認めることができる。ペア化されたソリューションは、ニューラルネットワークをトレーニングして、結果のドメインとバウンダリのエラーを推定し、両方の予測エラーが所定の許容値を満たす場合にのみ、より単純な条件が使用される。我々は、厳密なロビン法あるいは非線形境界法則をその極限ディリクレ形式に置き換える応用における特異極限に焦点をあてる。本手法は, ガルバニック腐食問題と他の非線形定常・進化問題について評価する。

関連論文リスト

Linearized PINN with pretrained nonlinear layers [48.01541150431857]
lPINNは、前方および逆微分方程式の低次ニューラルネットワーク基底法である。我々は, 対流拡散方程式, バーガーズ方程式, 非線形振り子方程式に対する逆問題に対する lPINN の評価を行った。
論文参考訳（メタデータ） (2026-09-14T02:18:00Z)
Variational Bounds for Perceptron Learning from Structured Data [1.8549313085249324]
ガウス混合系で訓練した有限温度連続スピンパーセプトロンに変動的アプローチを導入する。圧縮圧力に対する上限のミニマックス変動境界を導出する。同じポテンシャルは固定点方程式を定常性として得る。
論文参考訳（メタデータ） (2026-08-05T14:08:08Z)
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)
Building Trust in PINNs: Error Estimation through Finite Difference Methods [52.92887996882041]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を解くための柔軟な深層学習手法であるその柔軟性にもかかわらず、PINNは、彼らの予測が真の解決策から逸脱し、彼らの予測品質への信頼を妨げる方法について、限られた洞察を提供する。本稿では,PINN予測のためのポイントワイズ誤差推定を行うことにより,このギャップに対処する軽量なポストホック手法を提案する。
論文参考訳（メタデータ） (2026-03-16T16:51:42Z)
Exact Constraint Enforcement in Physics-Informed Extreme Learning Machines using Null-Space Projection Framework [0.0]
この研究は、係数空間における代数的射影による厳密な制約執行を達成するために、Null-Space Projected PIELMを導入している。 NP-PIELM は許容係数多様体の幾何学的構造を利用して、境界作用素の零空間を分解することを認識する。これにより、単発トレーニング効率を維持しながらペナルティ係数、双対変数、問題固有の構成を排除できる。
論文参考訳（メタデータ） (2026-01-16T05:18:56Z)
Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
論文参考訳（メタデータ） (2025-11-04T13:42:05Z)
Reliable and efficient inverse analysis using physics-informed neural networks with normalized distance functions and adaptive weight tuning [0.0]
PINNソリューションは境界条件の処理によって制限されることが多い。適応距離場と正規化重みを組み合わせた統合フレームワークを提案する。このフレームワークは、PINNを用いた逆解析のための信頼性と効率的なフレームワークを提供する。
論文参考訳（メタデータ） (2025-04-25T05:39:09Z)
Preconditioned FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems [41.94295877935867]
偏微分方程式で記述された技術システムの数値シミュレーションと最適化は高価である。この文脈で比較的新しいアプローチは、ニューラルネットワークの優れた近似特性と古典的有限要素法を組み合わせることである。本稿では, この手法を, サドルポイント問題と非線形流体力学問題に拡張する。
論文参考訳（メタデータ） (2024-09-06T07:17:01Z)
Limitations of Information-Theoretic Generalization Bounds for Gradient Descent Methods in Stochastic Convex Optimization [48.12845778927164]
凸最適化の設定において,勾配勾配降下の最小値設定の見通しを考察する。勾配法の研究においてよく用いられる手法として、最終回はガウス雑音によって劣化し、ノイズの多い「代理」アルゴリズムが生成される。以上の結果から,情報理論を用いた勾配降下解析には新たな考え方が必要であることが示唆された。
論文参考訳（メタデータ） (2022-12-27T17:16:48Z)
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)
Gaussian Process Regression constrained by Boundary Value Problems [0.0]
我々は境界値問題に制約されたガウス過程回帰のためのフレームワークを開発した。この枠組みは、ガウス過程の線形変換と、境界値問題の固有関数におけるスペクトル展開によって与えられるカーネルの使用を組み合わせたものである。その結果, 物理インフォームドガウス過程の回帰よりも, より正確で安定した解推定法が得られた。
論文参考訳（メタデータ） (2020-12-22T06:55:15Z)
The Variational Method of Moments [65.91730154730905]
条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。 OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
論文参考訳（メタデータ） (2020-12-17T07:21:06Z)
On Lower Bounds for Standard and Robust Gaussian Process Bandit Optimization [55.937424268654645]
有界ノルムを持つ関数のブラックボックス最適化問題に対するアルゴリズム非依存な下界を考える。本稿では, 単純さ, 汎用性, エラー確率への依存性の向上など, 後悔の下位境界を導出するための新しい証明手法を提案する。
論文参考訳（メタデータ） (2020-08-20T03:48:14Z)

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。