論文の概要: Structure-preserving fidelity diagnostics for partial differential equations

• arxiv url: http://arxiv.org/abs/2610.17483v1
• Date: Mon, 12 Oct 2026 22:57:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:44:12.648706
• Title: Structure-preserving fidelity diagnostics for partial differential equations
• Title（参考訳）: 偏微分方程式の構造保存忠実度診断
• Abstract要約: 偏微分方程式(PDE)の機械学習サロゲートは、数値解法によって生成されるデータに基づいて一般的に訓練される。 ここでは、差分をトレーニングされたモデルで見ることができることを示す。 そこで本研究では,学習モデルが物理の既知特性を尊重するかどうかを計測する簡易スコアである構造保存忠実度診断スイートを提案する。
• 参考スコア（独自算出の注目度）: 2.8427946758947304
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Machine learning surrogates of partial differential equations (PDEs) are commonly trained on data generated by numerical solvers. Therefore, the training data obey not the PDE but the modified equation of the numerical scheme, and the test loss, computed on data from the same solver, cannot distinguish a model that learned the physics from one that learned the discretization error. Here, we show that the difference is nevertheless visible in the trained model. We propose a suite of structure-preserving fidelity diagnostics, simple scores that measure whether a learned model respects one known property of the physics, such as a conserved quantity, a symmetry or a Hamiltonian structure, without access to the training data or the governing equation. Over five systems, the diagnostics track the error with respect to the true dynamics with a rank correlation of up to $0.94$, while the test loss is uncorrelated or anti-correlated with it. For the Burgers, Korteweg-de Vries and Navier-Stokes equations, the diagnostics separate numerical schemes that the test loss ranks as equivalent, including schemes of the same order. order.
• Abstract（参考訳）: 偏微分方程式(PDE)の機械学習サロゲートは、数値解法によって生成されるデータに基づいて一般的に訓練される。 したがって、トレーニングデータはPDEではなく数値スキームの修正方程式に従い、同じ解法のデータに基づいて計算されたテスト損失は、物理を学習したモデルと離散化誤差を学習したモデルとを区別することができない。 ここでは、差分をトレーニングされたモデルで見ることができることを示す。 学習したモデルが、トレーニングデータや支配方程式にアクセスせずに、保存量、対称性、ハミルトン構造など、物理学の既知特性を尊重するかどうかを測定する単純なスコアである構造保存ファイバリティ診断スイートを提案する。 5以上のシステムにおいて、診断は真の力学に関する誤差を最大0.94ドルの相関で追跡するが、テスト損失はそれとは無関係または反相関である。 Burgers, Korteweg-de Vries および Navier-Stokes 方程式の場合、診断は、同じ順序のスキームを含むテスト損失が等価であるような数値的なスキームを分離する。 命令だ

関連論文リスト

• The Symbol of the Surrogate: Measuring Numerical Provenance in Neural PDE Solvers [0.0]
  ニューラルネットワークPDEサロゲートは、物理進化とソルバ固有の離散化誤差の両方を含む数値的なソルバ出力に基づいて訓練される。 標準的なベンチマークでは、数値スキームの模倣と正確な進化を区別することはできない。 本稿では,訓練された代理の線形化ワンステップ演算子を個別のフーリエモードで探索する実験的なフーリエシンボル診断手法を提案する。
  論文  参考訳（メタデータ） (2026-10-07T00:42:11Z)
• Recovering Governing Equations from Solution Data: Identifiability Bounds for Linear and Nonlinear ODEs [1.360738859820932]
  微分方程式を比較するための自然な計量として、解集合上のハウスドルフ距離を導入する。 我々は、幅広い構造方程式のクラスにわたってODEを管理するための識別可能性境界を確立する。 我々は、関連するODEクラスに対する計量エントロピー推定を導出し、サンプル複雑性境界を解析する。
  論文  参考訳（メタデータ） (2026-06-25T17:02:08Z)
• Equivariant Deep Equilibrium Models for Imaging Inverse Problems [50.91616288661183]
  等変イメージング(EI)は、地上の真実データを必要とせず、信号再構成モデルを訓練することができる。 バックプロパゲーションはモジュール的に実装でき、トレーニングが簡単になる。 EI で訓練された DEQ が以前の不変量の近位写像に近似する証拠が見つかる。
  論文  参考訳（メタデータ） (2025-11-24T00:43:54Z)
• Physics-Informed Quantum Machine Learning: Solving nonlinear differential equations in latent spaces without costly grid evaluations [21.24186888129542]
  非線形および多次元微分方程式を解く物理インフォームド量子アルゴリズムを提案する。 DE項の表現である状態間の重なりを測定することにより、格子点上の独立な逐次関数評価を必要としない損失を構築する。 損失が変動的に訓練されると、我々のアプローチは微分可能な量子回路プロトコルと関連付けられる。
  論文  参考訳（メタデータ） (2023-08-03T15:38:31Z)
• WeakIdent: Weak formulation for Identifying Differential Equations using Narrow-fit and Trimming [5.027714423258538]
  弱い定式化を用いて微分方程式を復元する汎用的で堅牢な枠組みを提案する。 各空間レベルに対して、Subspace Pursuitは、大きな辞書から最初のサポートセットを見つけるために使用される。 提案手法は、係数の頑健な回復と、最大で100%のノイズ-信号比を処理できる顕著なデノナイジング効果を与える。
  論文  参考訳（メタデータ） (2022-11-06T14:33:22Z)
• Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
  微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。 関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。 この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2022-10-15T17:32:49Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
  D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。 さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:20Z)
• A Probabilistic State Space Model for Joint Inference from Differential Equations and Data [23.449725313605835]
  ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。 その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。 本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T10:36:09Z)

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。