論文の概要: DU-NO: A Parameter-Efficient Double U-Shaped Neural Operator for Phase-Resolving Wave Modeling

• arxiv url: http://arxiv.org/abs/2609.12115v1
• Date: Thu, 10 Sep 2026 18:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.514497
• Title: DU-NO: A Parameter-Efficient Double U-Shaped Neural Operator for Phase-Resolving Wave Modeling
• Title（参考訳）: DU-NO:位相分解波モデリングのためのパラメータ効率の良い二重U字型ニューラル演算子
• Abstract要約: 本稿では,2つの浅いエンコーダとデコーダレベルのみに,軽量な畳み込みU-Netブランチを付加するマルチスケールU字型スペクトル演算子DU-NOを紹介する。 FUNWAVE-TVDベンチマークで、DU-NOは6つの同じ訓練を受けたアーキテクチャの自己回帰的ロールアウトエラーとして最高の結果を得た。
• 参考スコア（独自算出の注目度）: 2.6504600955357485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phase-resolving wave models such as FUNWAVE-TVD are the accuracy standard for nearshore dynamics, resolving the shoaling, refraction, and breaking of individual waves, but their cost rules them out for the ensembles, uncertainty quantification, and real-time warning that operational forecasting demands. Neural operators promise solver-level accuracy at a fraction of that cost, yet on wave-dominated fields the accurate ones are large: hybrid spectral-convolutional operators such as U-FNO (the strongest baseline in our study after DU-NO) buy their fidelity with tens of millions of parameters. We introduce DU-NO (Double U-shaped Neural Operator), a multiscale U-shaped spectral operator that attaches lightweight convolutional U-Net branches only at its two shallowest encoder and decoder levels. The placement follows a sampling argument: high-wavenumber content exists only on fine grids, so the local, full-band pathways go where that content lives, while the coarse, band-limited levels stay purely spectral. A depth-decaying mode schedule holds the model to 3.64M parameters, an order of magnitude below U-FNO. On our publicly released FUNWAVE-TVD benchmark, DU-NO attains the best autoregressive rollout error of six identically trained architectures, improving on U-FNO by 14.9% with 10.8x fewer parameters, and a frequency-band analysis shows the gain holds across all bands, including the high-wavenumber band where truncated-spectral operators collapse. Parameter-matched controls confirm the gain is architectural: rescaled to the same 3.6M budget, the best baseline still trails DU-NO by 28.6%. The advantage carries beyond nearshore waves: DU-NO matches the strongest baselines on 2D Navier-Stokes and wins clearly on PDEBench shallow-water rollouts. Code, trained models, and evaluation artifacts are available at https://anonymous.4open.science/r/duno-code-5A7B/.
• Abstract（参考訳）: FUNWAVE-TVDのような位相分解波モデルは、近海力学の精度基準であり、浅瀬、屈折、個々の波の破れを解消するが、それらのコストはアンサンブル、不確実な定量化、および運用予測要求に対するリアルタイムの警告を規定する。 ニューラル作用素は、そのコストのごく一部でソルバレベルの精度を約束するが、波に支配されたフィールドでは、正確な精度は大きい:U-FNO(DU-NO以降の我々の研究で最強のベースライン)のようなハイブリッドスペクトル畳み込み作用素は、数千万のパラメータでその忠実さを購入する。 2つの浅いエンコーダとデコーダレベルにのみ、軽量な畳み込みU-NetブランチをアタッチするマルチスケールU字型スペクトル演算子であるDU-NO(Double U-shaped Neural Operator)を紹介する。 高波長のコンテンツは細い格子上にしか存在しないので、局所的でフルバンドの経路は、そのコンテンツが居住する場所へ行き、粗い帯域制限レベルは純粋にスペクトルのままである。 deep-decayingモードのスケジュールでは、モデルをU-FNO以下の3.64Mパラメータに保持する。 公開しているFUNWAVE-TVDベンチマークでは、DU-NOは6つの同じ訓練されたアーキテクチャの自己回帰的ロールアウトエラーで、U-FNOを14.9%改善し、10.8倍のパラメータを削減し、周波数帯域解析により、トランク化されたスペクトル演算子が崩壊する高波数帯域を含むすべてのバンド間の利得を示す。 同じ3.6Mの予算に再スケールされ、最高のベースラインは依然としてDO-NOを28.6%上回っている。 DU-NOは2D Navier-Stokesで最強のベースラインと一致し、PDEBenchの浅海ロールアウトで明らかに勝利する。 コード、トレーニングされたモデル、評価アーティファクトはhttps://anonymous.4open.science/r/duno-code-5A7B/で入手できる。

関連論文リスト

• Beyond Pairwise Graphs in Science: Hypergraph Adaptive Wavelet Operators for Parametric PDEs [1.6822770693792826]
  Hypergraph Adaptive WaveLet Operator (HALO)はそのスペクトルウェーブレット領域で学習する。 HALOはチェビシェフウェーブレットフィルタによる明示的なハイパーグラフ・ラプラシアン固有分解を避ける。 HALOは、周波数、変換器、DeepONet、状態空間、グラフベースのベースライン間で、最良の、または最も近い精度を達成する。
  論文  参考訳（メタデータ） (2026-08-28T03:43:19Z)
• ROMNet: a hybrid reduced order modeling and machine learning approach to waveform inversion [53.79823394212125]
  波形インバージョンは、不均一で到達不能な媒体の波速を推定しようとする。 ROMNetと呼ばれる手法を導入し,数値シミュレーションで検証する。 ROMNet と直接 ROM ベースの逆変換と FWI に対する2つの代表的な深層学習手法を比較した。
  論文  参考訳（メタデータ） (2026-08-25T21:13:39Z)
• When Does Frequency Decomposition Benefit Physics-Informed Neural Networks? A Preliminary Ablation Study [1.2081877372552605]
  偏微分方程式(PDE)は、ニューラルネットワークが近似に苦慮する高周波およびマルチスケールの特徴を持つことが多い。 PINNはトレーニングに直接支配方程式を構築するが、スペクトルバイアスに悩まされる。 本稿では、低周波成分と高周波成分をアダプティブゲートで結合した分離構造に分割するデュアルブランチ・スペクトルゲートアーキテクチャ(DBSG-PINN)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T09:48:16Z)
• WaveZip: Wavelet-Driven Space-Time Decoupling for Video Token Condensation [69.37452950816122]
  WaveZipは、効率的なビデオ推論のための共同信号周波数領域フレームワークである。 長いビデオ理解ベンチマークの実験では、WaveZipは完全なパフォーマンスの99.6%を維持している。
  論文  参考訳（メタデータ） (2026-07-25T16:05:22Z)
• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• Spectral Gating Networks [65.9496901693099]
  我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。 SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。 計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
  論文  参考訳（メタデータ） (2026-02-07T20:00:49Z)
• Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
  マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。 データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。 アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
  論文  参考訳（メタデータ） (2025-09-21T14:12:28Z)
• Optimisation of Pulse Waveforms for Qubit Gates using Deep Learning [0.5325390073522079]
  量子ビット状態を操作するためにパルス波形のパラメータを最適化するために,Deep Neural Networks (DNN) を用いた新しい手法を提案する。 高忠実度量子シミュレーションは、現在の量子コンピュータのスケールアップに不可欠である。
  論文  参考訳（メタデータ） (2024-08-05T11:02:59Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• High-Fidelity and Low-Latency Universal Neural Vocoder based on Multiband WaveRNN with Data-Driven Linear Prediction for Discrete Waveform Modeling [38.828260316517536]
  本稿では、離散波形モデリング(MWDLP)のためのデータ駆動線形予測を用いたマルチバンドWaveRNNに基づく新しいユニバーサルニューラルネットワークボコーダフレームワークを提案する。 提案したMWDLPフレームワークは、クリーンでノイズの多い残響条件を含む300人の話者のトレーニングデータに対して、見知らぬ話者や/または言語に対して高忠実な合成音声を生成することを示す。
  論文  参考訳（メタデータ） (2021-05-20T16:02:45Z)

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。