論文の概要: Learning Physics from an Imperfect Ancestor

• arxiv url: http://arxiv.org/abs/2609.24947v1
• Date: Mon, 21 Sep 2026 17:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.448142
• Title: Learning Physics from an Imperfect Ancestor
• Title（参考訳）: 不完全なアンサーから物理を学ぶ
• Abstract要約: 我々は,不完全なNOが,PINNを正しい溶液流域に配置するために必要な構造的事前を提供することを示す。 物理インフォームドNOの基礎を凍結する3段階のフレームワークを提案する。 1次元バーガー,2次元ピッチフォーク分岐近傍の定常アレン・カーン,2次元定常蓋駆動キャビティ流の3つの非線形PDEの枠組みについて検討した。
• 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: Neural operators evaluate parametric partial differential equations cheaply but degrade sharply outside their training distribution. Physics-informed neural networks avoid dependence on labeled data, yet their optimization can be basin-fragile: when the governing residual admits multiple solutions, a PINN trained from scratch may converge to a physically incorrect state despite achieving a small residual. We show that these failure modes can be addressed jointly: an imperfect NO provides the structural prior needed to place a PINN in the correct solution basin, while the PDE residual refines the solution beyond the operator's accuracy. We introduce a three-stage framework that freezes the spatial basis of a physics-informed NO, extrapolates its solution branch to an out-of-distribution parameter using a polynomial continuation prior, and distills the resulting field into a fresh PINN. The NO need not be accurate at the target; it transfers solution-branch information, while PDE residual minimization in the PINN governs convergence. We evaluate the framework on three nonlinear PDEs: 1D viscous Burgers, 2D steady Allen-Cahn near a pitchfork bifurcation, and 2D steady lid-driven cavity flow. For Allen-Cahn, where the trivial solution satisfies the PDE residual exactly, a standard PINN collapses to the trivial zero branch, whereas distillation from the crude extrapolated operator recovers the non-trivial branch that matches the finite-difference reference. For the lid-driven cavity, extrapolating to a Reynolds number of Re = 3200 accelerates convergence to the correct physical state, achieving competitive accuracy using fewer parameters and optimization steps than recent literature baselines. These results establish a simple principle: an NO need not accurately predict the solution to be useful; it only needs to identify the correct basin from which PINN optimization can recover it.
• Abstract（参考訳）: ニューラル演算子はパラメトリック偏微分方程式を安価に評価するが、トレーニング分布の外に急激に分解する。 物理インフォームドニューラルネットワークはラベル付きデータへの依存を避けることができるが、それらの最適化はセバスチャン・フランジル(英語版)である:支配残差が複数の解を許容すると、スクラッチから訓練されたPINNは、小さな残差を達成しながら物理的に不正確な状態に収束する。 不完全なNOは、PINNを正しい溶液流域に配置するために必要な構造的事前を提供するのに対し、PDEは演算子の精度以上の解を洗練する。 物理インフォームドNOの空間基底を凍結する3段階のフレームワークを導入し、その解枝を多項式継続を用いて分配パラメータに外挿し、結果のフィールドを新鮮なPINNに蒸留する。 NOはターゲットにおいて正確ではなく、解分岐情報を転送し、PINNにおけるPDE残差最小化は収束を管理する。 1次元粘性バーガー, ピッチフォーク分岐近傍の2次元定常アレン・カーン, および2次元定常蓋駆動キャビティフローの3つの非線形PDEの枠組みについて検討した。 自明な解が PDE の残差を正確に満たすアレン・カーンに対して、標準の PINN は自明な零分岐に崩壊し、一方粗な外挿作用素からの蒸留は有限差分参照に一致する非自明な分岐を回復する。 蓋駆動キャビティでは、Re = 3200のレイノルズ数への外挿は正しい物理状態への収束を加速し、最近の文献ベースラインよりも少ないパラメータと最適化ステップを用いて競合精度を達成する。 これらの結果は単純な原理を定めており、NOは解を正確に予測する必要はない。

関連論文リスト

• Error-Conditioned Neural Solvers [36.51479208528461]
  ニューラルサロゲートモデルは、PDEパラメータから解への高速な近似マッピングを提供するが、それらは一般に純粋に統計的タスクとして解決を扱う。 最近のハイブリッド手法は、勾配降下またはガウス・ニュートンステップを介してPDE残差を目標とすることで物理的正当性を促進するが、基礎となる古典勾配の計算コストと不安定性を継承する。 理論的・実験的にPDE残差の数値最小化は、不調なシステムにおける再構成精度の信頼性の低いプロキシであることを示す。
  論文  参考訳（メタデータ） (2026-06-25T17:56:27Z)
• Physics-Informed Residuals for Adaptive Mesh Refinement in Finite-Difference PDE Solvers [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を最終解法ではなく,適応メッシュ改良のためのオフグリッド残差プローブとして用いるハイブリッド戦略について検討する。 PINN残基はドメイン上でサンプリングされ、セルワイズインジケータに変換され、最終近似が有限差分ソルバによって計算される前に精製を誘導するために使用される。
  論文  参考訳（メタデータ） (2026-06-01T16:47:21Z)
• Hybrid Iterative Neural Low-Regularity Integrator for Nonlinear Dispersive Equations [0.0]
  HIN-LRIは、古典的な数値解法をニューラルネットワークで拡張し、解法の構造化トランケーション誤差を補正するハイブリッドフレームワークである。 低次元の潜在多様体上で動作する軽量ニューラルネットワークは、分析手法が閉じられない残留欠陥を学習する。 実験により、HIN-LRIは解析的、分割的手法、神経的PDEサロゲートよりも精度を向上し、安定した空間的精細化、効果的なアウト・オブ・ディストリビューション転送、オンラインオーバーヘッドを緩和することが示された。
  論文  参考訳（メタデータ） (2026-05-06T12:50:36Z)
• 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)
• Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
  定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。 定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
  論文  参考訳（メタデータ） (2023-11-30T22:34:57Z)
• Efficient Error Certification for Physics-Informed Neural Networks [25.712851771991218]
  PINN残差をバインドする汎用的で効率的でスケーラブルなポストトレーニングフレームワークである$partial$-CROWNを紹介します。 従来の2つのPINNと、より困難な2つの実世界のアプリケーションに適用することで、証明書をきつく取得する効果を実証する。
  論文  参考訳（メタデータ） (2023-05-17T12:19:43Z)
• Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
  急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。 本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
  論文  参考訳（メタデータ） (2022-08-18T05:00:24Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。