論文の概要: PINNForge: Execution-Grounded Evolutionary Design of Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2609.23023v2
• Date: Sun, 27 Sep 2026 04:29:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 07:18:05.957314
• Title: PINNForge: Execution-Grounded Evolutionary Design of Physics-Informed Neural Networks
• Title（参考訳）: PINNForge:物理インフォームドニューラルネットワークの実行周辺進化設計
• Abstract要約: PINNForgeは、観察されたPINNトレーニング動作を世代間設計信号として扱う進化的フレームワークである。 25のPDEベンチマークで、PINNForgeは24のタスクで最小のMSEを達成する。 知識指導、実行フィードバック、または進化的検索の除去により、中央値のタスク単位のMSE比はそれぞれ3.74$times$、12.10$times$、10.10$times$に上昇する。
• 参考スコア（独自算出の注目度）: 13.71936538556447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) require coordinated choices across representation, architecture, sampling, constraints, loss construction, and optimization, yet effective configurations can vary substantially across partial differential equations (PDEs). Existing automated design methods search over these choices, but training outcomes are still used primarily to rank candidates rather than to inform subsequent designs. We develop PINNForge, an execution-grounded large language model (LLM)-driven evolutionary framework that treats observed PINN training behavior as a cross-generation design signal. PINNForge initializes diverse configurations from PDE-related prior knowledge, executes them, retains globally strong configurations, and feeds their execution evidence and accumulated run-level experience back to the LLM. The LLM then revises and recombines coupled design components or explores new combinations within a generate--execute--evaluate--evolve loop. Across 25 PDE benchmarks, PINNForge achieves the lowest mean MSE on 24 tasks among RoPINN, PINNsFormer, PINNsAgent, and PINNForge. Removing knowledge guidance, execution feedback, or evolutionary search increases the median task-wise MSE ratio to 3.74$\times$, 12.10$\times$, and 10.10$\times$, respectively, relative to full PINNForge.
• 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、表現、アーキテクチャ、サンプリング、制約、損失構成、最適化など、協調的な選択を必要とするが、効果的な構成は偏微分方程式(PDE)によって大きく異なる。 既存の自動設計手法はこれらの選択を探索するが、訓練結果は主に、その後の設計を知らせるよりも、候補者のランク付けに使われている。 本研究では,多世代設計信号として観測されたPINN学習行動を扱う,LLM駆動型大規模言語モデルであるPINNForgeを開発した。 PINNForgeは、PDE関連の事前知識からさまざまな構成を初期化し、それらを実行し、グローバルに強力な構成を保持し、実行証拠を供給し、実行レベルのエクスペリエンスをLLMに蓄積する。 LLMは、結合したデザインコンポーネントを修正、再結合し、ジェネレータ-実行-評価-進化ループ内で新しい組み合わせを探索する。 PINNForgeは25のPDEベンチマークで、RoPINN、PINNsFormer、PINNsAgent、PINNForgeの24タスクで最低のMSEを達成した。 知識指導、実行フィードバック、進化的検索の除去により、中央値のタスク単位のMSE比は3.74$\times$、12.10$\times$、そして10.10$\times$へと上昇する。

関連論文リスト

• LIGO-PINN: Learned Initialization via Gated Optimization to Alleviate Convergence Failures in Physics Informed Neural Networks [4.769951565159109]
  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)によって支配されるモデリング領域に幅広い影響を及ぼした。 PINNは、PDEドメインに挑戦するときに、しばしば自明な解決策に収束する、パフォーマンスが良くないことが示されている。 Gated Layerwise Optimization (LIGO-PINN) による学習初期化のためのフレームワークを提案し、PINN収束障害を克服する。
  論文  参考訳（メタデータ） (2026-07-15T18:00:44Z)
• Lang-PINN: From Language to Physics-Informed Neural Networks via a Multi-Agent Framework [54.447408954009454]
  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)を解くための強力なアプローチを提供する 本稿では,Lang-PINNを提案する。Lang-PINNはLLM駆動のマルチエージェントシステムで,自然言語タスク記述から直接トレーニング可能なPINNを構築する。 実験により、Lang-PINNは、競合するベースラインよりもかなり低いエラーとロバスト性を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-03T08:20:02Z)
• RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
  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)の解法として広く応用されている。 本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。 実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
  論文  参考訳（メタデータ） (2024-05-23T09:45:57Z)
• PINNsFormer: A Transformer-Based Framework For Physics-Informed Neural Networks [22.39904196850583]
  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)の数値解を近似するための有望なディープラーニングフレームワークとして登場した。 我々は,この制限に対処するために,新しいTransformerベースのフレームワークであるPINNsFormerを紹介した。 PINNsFormerは、PINNの障害モードや高次元PDEなど、様々なシナリオにおいて優れた一般化能力と精度を実現する。
  論文  参考訳（メタデータ） (2023-07-21T18:06:27Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method [70.19159220248805]
  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)を数値的に解くためのディープラーニングフレームワークを提供する 本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。 本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
  論文  参考訳（メタデータ） (2022-05-18T06:50:44Z)
• Physics-Informed Neural Networks (PINNs) for Parameterized PDEs: A Metalearning Approach [13.590496719224987]
  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)を識別する手段である 本稿では,モデルに依存しないメタラーニングについて調査し,PINNに適用したモデル認識メタラーニングについて考察する。
  論文  参考訳（メタデータ） (2021-10-26T02:29:10Z)

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。