論文の概要: Amortizing Physics-Informed Neural Solvers via Graph Hypernetworks

• arxiv url: http://arxiv.org/abs/2609.19915v1
• Date: Thu, 17 Sep 2026 08:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.176911
• Title: Amortizing Physics-Informed Neural Solvers via Graph Hypernetworks
• Title（参考訳）: グラフハイパーネットによる物理インフォームニューラルソルバーの記憶
• Abstract要約: 係数ベクトルは予め定義されたスロットの数値パラメータを符号化し、演算子とフィールド間の代入を暗黙的に残す。 グラフハイパーネットワークは、ターゲット方程式毎にメタ訓練された因子化PINNを初期化する対角符号を生成する。 固定適応予算において,係数ベクトル,DeepSetsに基づく項集合およびグラフ条件を解の精度で比較する。
• 参考スコア（独自算出の注目度）: 13.388256535470688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Amortizing physics-informed neural networks (PINNs) across related PDEs requires describing each equation to a reusable solver. Coefficient vectors encode numerical parameters in predefined slots, leaving operator and cross-field assignments implicit. We make these relationships explicit in an operator graph, with nodes for fields, derivatives, terms, and residuals and coefficients retained as term attributes. A graph hypernetwork generates diagonal codes that initialize a meta-trained factorized PINN for each target equation. Meta-training and target-specific adaptation use governing equations and prescribed conditions without solution labels. We compare coefficient-vector, DeepSets-based term-set, and graph conditioning by solution accuracy within a fixed adaptation budget. In scalar convection-diffusion-reaction problems, both term-based descriptors improve high-reaction accuracy, with similar performance. In two-field Fisher-KPP, meta-training sees uncoupled and one-way systems; after 3,000 adaptation steps on unseen two-way coupling, the graph's mean final error is 35.7% below the term set and 67.7% below the coefficient vector. In a fixed-structure capacitively coupled plasma model, the coefficient vector performs best. These results support extending coefficient conditioning with explicit equation relationships for physics-based solver adaptation.
• 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)を関連するPDEで記憶するには、各方程式を再利用可能な解法に記述する必要がある。 係数ベクトルは予め定義されたスロットの数値パラメータを符号化し、演算子とフィールド間の代入を暗黙的に残す。 これらの関係を演算子グラフで明示し、フィールド、微分、項、残差、係数を項属性として保持する。 グラフハイパーネットワークは、ターゲット方程式毎にメタ訓練された因子化PINNを初期化する対角符号を生成する。 メタトレーニングおよびターゲット固有の適応は、ソリューションラベルのない支配方程式と所定の条件を用いる。 固定適応予算において,係数ベクトル,DeepSetsに基づく項集合およびグラフ条件を解の精度で比較する。 スカラー対流拡散反応問題では、両方の項ベースの記述子は、同様の性能で高反応精度を向上させる。 2フィールドフィッシャー-KPPでは、メタトレーニングは非結合系と一方結合系を見ており、3000の適応段階を経て、グラフの平均最終的な誤差は項セットより35.7%、係数ベクトルより67.7%低い。 固定構造容量結合プラズマモデルでは、係数ベクトルが最適である。 これらの結果は、物理学に基づく解法適応のための明示的な方程式関係を持つ拡張係数条件付けを支援する。

関連論文リスト

• Directed Graph Topology Inference via Graph Filter Identification [54.541275287889164]
  本稿では,グラフ畳み込みフィルタが生成するノイズ測定から有向ネットワークを推定する問題に対処する。 また、上記のステップを交互に交互に組み合わせて、サンプルの複雑さを向上する結合グラフフィルタとトポロジー同定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-06-25T18:25:57Z)
• 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)
• 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)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• Differentiable DG with Neural Operator Source Term Correction [0.0]
  圧縮可能なNavier-Stokes方程式を解くためのエンドツーエンドの微分可能なフレームワークを提案する。 この統合アプローチは、微分可能不連続なガレルキン解法とニューラルネットワークのソース項を組み合わせる。 提案するフレームワークの性能を2つの例で示す。
  論文  参考訳（メタデータ） (2023-10-29T04:26:23Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• A comparison of PINN approaches for drift-diffusion equations on metric graphs [0.0]
  量子グラフの機械学習アプローチの比較に重点を置いている。 この場合、微分方程式はドリフト拡散モデルである。 距離グラフ上のドリフト拡散を解くためのいくつかのPINN手法を比較した。
  論文  参考訳（メタデータ） (2022-05-15T06:17:33Z)

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。