論文の概要: Hard Constraint Projection in a Physics Informed Neural Network (Burgers)

• arxiv url: http://arxiv.org/abs/2610.42106v1
• Date: Fri, 30 Oct 2026 17:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.859175
• Title: Hard Constraint Projection in a Physics Informed Neural Network (Burgers)
• Title（参考訳）: 物理インフォームドニューラルネットワーク(バーガー)におけるハード制約射影
• Abstract要約: 我々は陳と陳によって開発された厳密な制約射影法を拡張した。 速度を予測するために物理情報ニューラルネットワーク(PINN)が使用される。 以上の結果から,HCP-PINNは当初同等のPINNと同様の訓練を施し,PINNの減少に伴いHCP-PINNの損失は減少傾向にあることが示唆された。
• 参考スコア（独自算出の注目度）: 4.814670685519155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics informed machine learning provides a framework to study and simulate fluid dynamics, potentially at a fraction of the computational cost of traditional numerical methods, with the goal of improving the explainability, accuracy and robustness of purely data driven machine learning methods. In this work, we extend the hard constraint projection (HCP) method developed by Chen et al. [Journal of Computational Physics, 445, 110624, 2021] from a linear partial differential equation (PDE) to a nonlinear PDE: the 1D Burgers' equation. To strictly impose a discrete approximation of the governing equation, the Burgers' equation is first locally discretised (using a finite difference stencil) then decomposed into a constraint matrix and a prediction matrix. Using tools from linear algebra, the constraint matrix is used to construct a projection matrix. A physics informed neural network (PINN) [Raissi et al. Journal of Computational Physics, 378, 686, 2019] is used to predict the velocity, and a final unlearnable layer projects the velocity prediction to the hyperplane of exact solutions to a discretised form of the Burgers' equation. Our initial results indicate that the HCP-PINN initially trains similarly to an equivalent PINN, and as the PINN loss plateaus, the HCP-PINN loss continues to decline. When tested on a previously unseen uniform grid of points covering the domain, the HCP-PINN exhibits higher accuracy, converging to a data error approximately an order of magnitude lower than the comparable PINN. We also observe that the inclusion of the HCP layer results in better observance of the governing PDE. Our findings suggest that the HCP-PINN can be more robust to the selection of physics collocation points, and less dependent on collocation point quantity.
• Abstract（参考訳）: 物理情報機械学習は、純粋にデータ駆動の機械学習手法の説明可能性、正確性、堅牢性を改善することを目的として、従来の数値手法の計算コストのごく一部で流体力学を研究し、シミュレートするフレームワークを提供する。 本研究では,Chenらが開発したHCP法(Journal of Computational Physics, 445, 110624, 2021)を線形偏微分方程式(PDE)から非線形PDEへ拡張する。 厳密に支配方程式の離散近似を課すため、バーガーズ方程式は(有限差分ステンシルを用いて)まず局所的に離散化され、次に制約行列と予測行列に分解される。 線型代数の道具を用いて、制約行列は射影行列を構成するのに使用される。 物理情報ニューラルネットワーク (PINN) [Raissi et al Journal of Computational Physics, 378, 686, 2019] を用いて速度を予測する。 最初の結果から,HCP-PINNは,当初同等のPINNと同様の訓練を行い,PINNの損失高原としてHCP-PINNの損失は減少し続けていることが示唆された。 HCP-PINNは、ドメインをカバーしている未確認の点の均一なグリッドでテストすると、データエラーが同等のPINNよりも約1桁低い値に収束する、高い精度を示す。 また,HCP層を包含することで,PDEの観察性が向上することが確認された。 以上の結果から,HCP-PINNは物理コロケーション点の選択に頑健であり,コロケーション点数に依存しない可能性が示唆された。

関連論文リスト

• 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)
• Hard Constraint Projection in a Physics Informed Neural Network [4.814670685519155]
  本研究では、2次元非圧縮性ナビエストークス方程式の解を予測する物理情報ニューラルネットワーク(PINN)にハード制約を埋め込む。
  論文  参考訳（メタデータ） (2026-01-09T18:30:58Z)
• An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction [0.42970700836450487]
  細孔ネットワークモデル (PNMs) は細孔スケールの油圧コンダクタンスを推定し、その精度を複雑な構造で制限する。 本稿では,グラフニューラルネットワーク(GNN)をPNMに組み込む,エンドツーエンドの差別化可能なハイブリッドフレームワークを提案する。 このモデルは高い精度を達成し、様々なスケールでうまく結合し、純粋なデータ駆動型アプローチと従来のPNMアプローチの両方より優れている。
  論文  参考訳（メタデータ） (2025-09-17T09:15:23Z)
• High precision PINNs in unbounded domains: application to singularity formulation in PDEs [83.50980325611066]
  ニューラルネットワークアンサッツの選択、サンプリング戦略、最適化アルゴリズムについて検討する。 1次元バーガース方程式の場合、我々のフレームワークは非常に高精度な解が得られる。 2D Boussinesq 方程式の場合、損失が 4$ の解は citewang2023asymsymptotic よりも小さく、トレーニングステップは少ない。
  論文  参考訳（メタデータ） (2025-06-24T02:01:44Z)
• LaPON: A Lagrange's-mean-value-theorem-inspired operator network for solving PDEs and its application on NSE [8.014720523981385]
  ラグランジュの平均値定理に着想を得た演算子ネットワークであるLaPONを提案する。 損失関数ではなく、ニューラルネットワークアーキテクチャに直接、事前の知識を組み込む。 LaPONは、高忠実度流体力学シミュレーションのためのスケーラブルで信頼性の高いソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-18T10:45:17Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• 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)
• Physics-Informed Neural Network Method for Solving One-Dimensional Advection Equation Using PyTorch [0.0]
  PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。 標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。 テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
  論文  参考訳（メタデータ） (2021-03-15T05:39:17Z)

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。