論文の概要: PINNMorph: Evolving Online Adaptation Policies for Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2609.32685v1
• Date: Sat, 26 Sep 2026 14:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:21:28.208198
• Title: PINNMorph: Evolving Online Adaptation Policies for Physics-Informed Neural Networks
• Title（参考訳）: PINNMorph: 物理インフォームドニューラルネットワークのためのオンライン適応ポリシーの進化
• Abstract要約: 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)を解くための学習ベースのフレームワークを提供する 本稿では,大規模言語モデル (LLM) に基づくオンラインPINN適応フレームワークであるPINNMorphを提案する。
• 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) provide a learning-based framework for solving partial differential equations (PDEs), yet their training behavior can change substantially throughout optimization. Residual distributions, gradient interactions, regional learning difficulty, and model-capacity requirements may evolve over time, while the network architecture and major training mechanisms are typically determined before training. We propose PINNMorph, an online PINN adaptation framework based on large language model (LLM)-guided policy evolution. PINNMorph maintains a population of state-conditioned adaptation policies that map execution diagnostics to controlled interventions over topology modification, additive representation augmentation, objective balancing, gradient handling, adaptive sampling, and optimizer-phase control. At each intervention opportunity, candidate programs are instantiated from the current policy population, selected according to the observed training state, and applied directly to the PINN under training. The resulting model inherits its existing parameters and training state and continues optimization along the same trajectory. Execution outcomes are subsequently used to evaluate interventions and evolve the policy population. Unlike pre-training architecture search or fixed adaptation rules, PINNMorph jointly adapts the current PINN and the policies governing its interventions using feedback from actual training. Experiments on 13 PDE benchmarks show that PINNMorph achieves lower solution errors than SA-PINN, ConFIG, RoPINN, HARMONIC, and PINNsAgent across all evaluated problems. Ablation studies further examine the effects of online adaptation, state-conditioned intervention selection, and execution-feedback-driven policy evolution.
• 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、偏微分方程式(PDE)を解くための学習ベースのフレームワークを提供するが、そのトレーニング動作は最適化を通じて大きく変化する可能性がある。 残留分布、勾配相互作用、地域学習難易度、モデル能力要件は時間とともに進化する可能性があるが、ネットワークアーキテクチャと主要なトレーニングメカニズムは通常、トレーニング前に決定される。 本稿では,大規模言語モデル (LLM) に基づくオンラインPINN適応フレームワークであるPINNMorphを提案する。 PINNMorphは、実行診断をトポロジー修正、追加表現増強、客観的バランス、勾配処理、適応サンプリング、オプティマイザフェーズ制御といった制御された介入にマッピングする、状態条件付き適応ポリシーの集団を維持している。 各介入機会において、現在の政策集団から候補プログラムをインスタンス化し、観察された訓練状況に応じて選択し、トレーニング中のPINNに直接適用する。 得られたモデルは既存のパラメータとトレーニング状態を継承し、同じ軌道に沿って最適化を継続する。 実行結果はその後、介入を評価し、政策人口を進化させるために使用される。 事前訓練されたアーキテクチャ検索や固定適応ルールとは異なり、PINNMorphは現在のPINNと実際のトレーニングからのフィードバックを使用して介入を管理するポリシーを共同で適用する。 13のPDEベンチマークでの実験では、PINNMorphはSA-PINN、ConFIG、RoPINN、HARMONIC、PINNsAgentよりも低い解誤差を達成する。 アブレーション研究は、オンライン適応、状態条件付き介入選択、実行フィードバックによる政策進化の影響をさらに検討する。

関連論文リスト

• PINNForge: Execution-Grounded Evolutionary Design of Physics-Informed Neural Networks for PDE Solving via Large Language Models [18.29778090190082]
  PINNsForgeは自動PINN設計のための進化的フレームワークである。 PDE関連の事前知識から多様な候補構成を生成する。 実際のトレーニングを通じて評価し、蓄積された実行証拠とともに高性能な設計を提供する。
  論文  参考訳（メタデータ） (2026-09-19T13:42:31Z)
• 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)
• Dynamics and Representation Structure of Local Approximations to Gradient-Based Learning in Linear Recurrent Neural Networks [56.42974363744522]
  ランダム・フィードバック・ローカル・オンライン(RFLO)の学習動態と時間による逆伝播(tBPTT)について検討する。 我々の研究は、局所性制約が学習力学をどう形成するかに関する分析的な洞察を提供し、学習の神経科学的モデルやRNNの代替最適化アプローチに影響を及ぼす。
  論文  参考訳（メタデータ） (2026-05-29T18:19:45Z)
• Learning with Foresight: Enhancing Neural Routing Policy via Multi-Node Lookahead Prediction [53.32115440294569]
  マルチノードルックアヘッド予測(MnLP)は、教師付き学習パラダイムを拡張して、複数の将来のノードを同時に予測する、新しいトレーニング戦略である。 筋電図の因果関係や破棄可能なMnLPモジュールをトレーニング中にのみ動作させ,コンテキストモデルによる多段階決定の予測を容易にする。 MnLPは既存のトレーニング手法より優れており、さまざまな問題サイズ、分布、実世界のベンチマークにわたるニューラルネットワークの一般化能力が改善されている。
  論文  参考訳（メタデータ） (2026-05-19T15:19:59Z)
• AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
  本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。 AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-23T18:45:31Z)
• Adaptive Collocation Point Strategies For Physics Informed Neural Networks via the QR Discrete Empirical Interpolation Method [1.2289361708127877]
  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)に関する前方および逆問題の解法として注目されている。 均一なランダムサンプリングや等間隔グリッドのような固定サンプリング手法は、高い解勾配を持つ臨界領域の捕捉に失敗し、複雑なPDEに対する有効性を制限できる。 QR-DEIM(QR Discrete Empirical Interpolation Method)を用いて,非線形関数を効率的に近似する低次モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T21:24:15Z)
• Adaptive Training of Grid-Dependent Physics-Informed Kolmogorov-Arnold Networks [4.216184112447278]
  物理インフォームドニューラルネットワーク(PINN)は、部分微分方程式(PDE)を解くための堅牢なフレームワークとして登場した。 本稿では、PDEを解くために、グリッド依存のKolmogorov-Arnold Networks(PIKAN)の高速なJAXベースの実装を提案する。 適応的特徴は解の精度を著しく向上させ,基準解に対するL2誤差を最大43.02%減少させることを示した。
  論文  参考訳（メタデータ） (2024-07-24T19:55:08Z)
• DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving [54.605760146540234]
  DeltaPhiは、PDE解決タスクを、直接入力出力マッピングの学習から、類似の物理的状態間の残差学習に変換する、新しい学習フレームワークである。 大規模な実験は、様々な物理的システムにまたがって一貫した、重要な改善を示す。
  論文  参考訳（メタデータ） (2024-06-14T07:45:07Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• On the Generalization of PINNs outside the training domain and the Hyperparameters influencing it [1.3927943269211593]
  PINNは、解データを必要としない微分方程式の解をエミュレートするように訓練されたニューラルネットワークアーキテクチャである。 トレーニング領域外におけるPINN予測の挙動を実証分析する。 PINNのアルゴリズム設定が一般化のポテンシャルに影響を及ぼすかどうかを評価し,予測に対する各効果を示す。
  論文  参考訳（メタデータ） (2023-02-15T09:51:56Z)
• 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)

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。