論文の概要: CFL-aware edge design for graph neural solvers of hyperbolic transport

• arxiv url: http://arxiv.org/abs/2610.33769v1
• Date: Sat, 24 Oct 2026 16:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.44152
• Title: CFL-aware edge design for graph neural solvers of hyperbolic transport
• Title（参考訳）: ハイパーボリックトランスポートグラフニューラルソルバのためのCFL対応エッジ設計
• Abstract要約: グラフニューラルネットワーク(GNN)は、学習した更新ルールを提供するが、隣人の集約だけでは、情報がどこまで移動すべきかをGNNに伝えない。 局所的なCourant-Friedrichs-Lewy(CFL)信号として輸送の規模を明示することは、GNNが双曲型PDEをモデル化する能力を高めることができるかどうかを問う。
• 参考スコア（独自算出の注目度）: 1.0262304700896199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperbolic partial differential equations (PDEs) transport information at finite speed along characteristics, often producing shocks and discontinuities that are challenging to capture numerically. Graph neural networks (GNNs) offer learned update rules, but neighbor aggregation alone does not tell a GNN how far information must travel and along which edge. As a result, when a GNN model takes a time step larger than what was used in training, shock fronts smear and oscillations grow. In this work, we ask whether making the scale of transport explicit as an edge-local Courant-Friedrichs-Lewy (CFL) signal can enhance GNNs' ability to model hyperbolic PDEs. Holding the architecture fixed, we vary only the information given to each edge, from a raw edge form to forms that progressively expose the edge-local transport interaction through direction, length, and wave speed. Because all of these are computed from the same ingredients, what changes is not the amount of information but its form. The results show a consistent pattern, in which feature count is not the limiting factor, and appending CFL directly to a raw edge form produces almost no benefit. The CFL conditioning proves most effective when the edge information already exposes the transport interaction, reducing final-step error by 10.4-14.4%, and the improvement widens as the step size grows larger. Notably, this improvement arises not from smearing the solution but from suppressing oscillations near shocks. These results point to a specific design principle that CFL conditioning is most effective when the edge representation already separates the direction of interaction from spatial scale, so that the CFL value has a well-defined quantity to modulate.
• Abstract（参考訳）: 双曲偏微分方程式(PDE)は、特性に沿って有限速で情報を伝達し、しばしば数値的に捉えるのが難しい衝撃や不連続をもたらす。 グラフニューラルネットワーク(GNN)は、学習した更新ルールを提供するが、隣人の集約だけでは、情報がどの端に沿って移動すべきかをGNNに伝えない。 結果として、GNNモデルがトレーニングで使用したものよりも時間がかかると、ショックフロントがスミアと発振が増大する。 本研究では,CFL(エッジローカルCourant-Friedrichs-Lewy)信号として輸送の規模を明確にすることで,GNNが双曲型PDEをモデル化できるかどうかを問う。 アーキテクチャを固定すると、各エッジに与えられる情報のみを生のエッジ形式から、方向、長さ、波動速度を通じて、エッジ-局所輸送相互作用を段階的に露呈する形式に変化させる。 これらはすべて同じ材料から計算されるため、変化は情報量ではなく形である。 その結果,機能カウントが制限要因ではない一貫したパターンが示され,CFLを生のエッジに直接付加すると,ほとんど利益が得られないことがわかった。 CFL条件付けは、エッジ情報が既にトランスポート相互作用を公開すると最も有効であることが証明され、最終ステップエラーを10.4-14.4%削減し、ステップサイズが大きくなるにつれて改善が拡大する。 特に、この改善は溶液のスミアリングではなく、衝撃の近くでの振動を抑制することから生じる。 これらの結果は、エッジ表現が既に空間スケールから相互作用の方向を分離している場合、CFL条件付けが最も効果的であることを示す。

関連論文リスト

• McMg: A Learned Phase-Space Multi-channel Multigrid Preconditioner for Helmholtz Equation [7.198826777148334]
  マルチチャネルマルチグリッドはヘテロジニアスヘルムホルツ方程式の位相空間マルチグリッドプレコンディショナーである。 残基を反復的枠組み内の補正にマッピングする。 強い古典のベースラインよりも、イテレーションが大幅に少なく、ウォールタイムも少なくなります。
  論文  参考訳（メタデータ） (2026-06-29T16:01:44Z)
• Extended Physics Informed Neural Network for Hyperbolic Two-Phase Flow in Porous Media [0.7390960543869483]
  この研究は、非線形バックリー・レヴェレット方程式を解くために拡張物理学-インニューラルネットワーク(XPINN)フレームワークを用いている。 ワーク間の結合は、物理的に一貫したフラックス連続性を強制するランキン・ホゴニオ・ジャンプ条件によって達成される。 標準のPINNと比較して、XPINNフレームワークは優れた安定性、より高速な収束、強化された非線形波動力学を実現する。
  論文  参考訳（メタデータ） (2025-11-05T14:16:28Z)
• Fed-ZOE: Communication-Efficient Over-the-Air Federated Learning via Zeroth-Order Estimation [15.026407830543086]
  Fed-ZOEは、ゼロ階最適化(ZOO)で一般的に使用されるランダム化勾配推定器(RGE)にインスパイアされた効率的なフレームワークである。 Fed-ZOEは、通信コストを大幅に削減しながら、Fed-OtAに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-21T21:24:58Z)
• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• Hyperbolic Machine Learning Moment Closures for the BGK Equations [0.0]
  本稿では,BGKのモーメントデータに基づいてトレーニングされたニューラルネットワーク(NN)を用いて,Bhatnagar-Gross-Krookの運動モデルのグラッドモーメント展開のための双曲的クロージャを導入する。 この閉鎖は、Huang2022-RTE1輸送路における閉鎖に関する論文で得られた自由ストリーミング制限の正確な閉鎖によって動機づけられる。
  論文  参考訳（メタデータ） (2024-01-09T19:14:57Z)
• ScaleLong: Towards More Stable Training of Diffusion Model via Scaling Network Long Skip Connection [152.01257690637064]
  UNetにおけるLCCの係数は,UNetの前方・後方伝播の安定性とロバスト性に大きな影響を及ぼすことを示す。 UNet における LSC の係数をスケールし,UNet のトレーニング安定性を向上する,効果的な係数スケーリングフレームワーク ScaleLong を提案する。
  論文  参考訳（メタデータ） (2023-10-20T14:45:52Z)
• Winner-Take-All Column Row Sampling for Memory Efficient Adaptation of Language Model [89.8764435351222]
  分散を低減した行列生成のために, WTA-CRS と呼ばれる新しい非バイアス推定系を提案する。 我々の研究は、チューニング変換器の文脈において、提案した推定器が既存のものよりも低い分散を示すという理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-05-24T15:52:08Z)

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。