論文の概要: Adaptive Domain Decomposition for Finite Basis Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2611.05659v1
- Date: Tue, 03 Nov 2026 21:46:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.856587
- Title: Adaptive Domain Decomposition for Finite Basis Physics-Informed Neural Networks
- Title(参考訳): 有限基底物理インフォームドニューラルネットワークの適応領域分解
- Abstract要約: 適応領域分解有限基底物理インフォームドニューラルネットワーク(ADD-FBPINN)を提案する。
FBPINNは、計算領域のユーザ定義サブディビジョンにより、標準物理情報ニューラルネットワーク(PINN)の精度を改善する。
このアプローチは、2次元ヘルムホルツ方程式、マルチスケール特徴を持つ2次元ポアソン方程式、粘性バーガース方程式で検証する。
- 参考スコア(独自算出の注目度): 36.167161329448696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present adaptive domain decomposition finite basis physics-informed neural networks (ADD-FBPINNs). The proposed method integrates Partition of Unity Networks (POUNets), a data-driven approach for learning domain partitions, with finite Basis physics-informed neural networks (FBPINNs) to perform more efficient domain decomposition and achieve more accurate approximations. FBPINNs improve upon the accuracy of standard physics-informed neural networks (PINNs) through user-defined subdivisions of the computational domain. By adapting the domain decomposition based on the solution's features using a separable POUNet, the framework can automatically learn partitions that are stable and can be geometrically interpretable. We test this approach on the two-dimensional Helmholtz equation, two-dimensional Poisson equation with multiscale features, and viscous Burgers equation and observe improved accuracy compared with FBPINNs with fixed domain decomposition.
- Abstract(参考訳): 本研究では適応型領域分解有限基底物理インフォームドニューラルネットワーク(ADD-FBPINN)を提案する。
提案手法は,領域分割を学習するためのデータ駆動型アプローチである Unity Networks (POUNets) と有限基底物理インフォームドニューラルネットワーク (FBPINN) を統合し,より効率的な領域分解とより正確な近似を実現する。
FBPINNは、計算領域のユーザ定義サブディビジョンにより、標準物理情報ニューラルネットワーク(PINN)の精度を改善する。
分離可能なPOUNetを使用して、ソリューションの機能に基づいてドメインの分解を適用することで、フレームワークは安定で幾何学的に解釈可能なパーティションを自動的に学習することができる。
本手法は,2次元ヘルムホルツ方程式,多次元特徴を持つポアソン方程式,粘性バーガース方程式を用いて検証し,固定領域分解を持つFBPINNと比較して精度が向上した。
関連論文リスト
- DInf-Grid: A Neural Differential Equation Solver with Differentiable Feature Grids [73.28614344779076]
我々は、微分方程式(DE)を効率的に解くための微分可能グリッドベース表現を提案する。
その結果,座標法よりも5~20倍の高速化を実現し,差分方程式を数秒または数分で解き,精度とコンパクト性を維持した。
論文 参考訳(メタデータ) (2026-01-15T18:59:57Z) - AB-PINNs: Adaptive-Basis Physics-Informed Neural Networks for Residual-Driven Domain Decomposition [3.0307211002269443]
適応基底物理インフォームドニューラルネットワーク(AB-PINN)を導入する。
AB-PINNは未知の解の本質的な特徴に動的に適応する。
複素偏微分方程式の解法におけるAB-PINNの有効性を示す包括的数値計算結果を提案する。
論文 参考訳(メタデータ) (2025-10-10T02:13:06Z) - SetPINNs: Set-based Physics-informed Neural Networks [31.193471532024407]
ローカル依存関係を効果的にキャプチャするフレームワークであるSetPINNを紹介する。
ドメインを集合に分割して、物理法則を同時に適用しながら、局所的な依存関係をモデル化します。
合成および実世界のタスクの実験では、精度、効率、堅牢性が改善された。
論文 参考訳(メタデータ) (2024-09-30T11:41:58Z) - Symmetry group based domain decomposition to enhance physics-informed neural networks for solving partial differential equations [3.3360424430642848]
我々は、リー対称性群を有するPDEの前方および逆問題を解くために、PINNを強化するための対称性群に基づく領域分解戦略を提案する。
前方問題に対して、まず対称群を配置し、フレキシブルに調整可能な既知の解情報を有する分割線を生成する。
次に,PINN法と対称性向上型PINN法を用いて,各サブドメインの解を学習し,最終的にPDEの全体解に縫合する。
論文 参考訳(メタデータ) (2024-04-29T09:27:17Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Adaptive neural domain refinement for solving time-dependent
differential equations [0.0]
ニューラルネットワークを用いた微分方程式の古典的な解法は、解領域の離散化を伴う微分方程式を用いるニューラルネットワーク形式に基づいている。
このような重要かつ成功した戦略を、ニューラルネットワークベースのソリューションの分野に移行することが望ましい。
本稿では,時間依存問題の解決を目的とした新しい適応型ニューラルアプローチを提案する。
論文 参考訳(メタデータ) (2021-12-23T13:19:07Z) - 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) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。