論文の概要: Fuse-PINN: Combining Finite Element Methods and Physics-Informed Neural Networks to enable massively parallel simulations of non-linear PDEs
- arxiv url: http://arxiv.org/abs/2611.18409v1
- Date: Fri, 13 Nov 2026 16:55:03 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:29:49.802738
- Title: Fuse-PINN: Combining Finite Element Methods and Physics-Informed Neural Networks to enable massively parallel simulations of non-linear PDEs
- Title(参考訳): Fuse-PINN:非線形PDEの大規模並列シミュレーションを可能にする有限要素法と物理インフォームドニューラルネットワークの組み合わせ
- Abstract要約: 本稿では、FEM-NN(Finite-Element-Method for Neural Networks)の数学的に堅牢な定式化について述べる。
FEM-NNは、GPUベースのHPCシステム上で物理インフォームドニューラルネットワークのスクリプティブ並列化の基礎を提供する。
Fuse-PINNは磁気閉じ込め核融合に関連する物理モデルで実証され、微細な力学を持つ非線形対流モデルを含む。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Research in the domain of Physics-Informed Neural Networks applied to PDE modelling has advanced significantly in recent years, providing a wide ecosystem of novel methods. However, one frequent limitation is the inability of PINNs to scale out on High-Performance Computing architectures to address more ambitious challenges, particularly non-linear physics models with turbulent dynamics in large spatial domains. Typical studies restrain demonstrations to toy models with simple physics equations, few variables, and rarely any complex non-linear dynamics evolved over long timescales. Part of the AI community has even adopted the idea that "PINNs don't scale". This work proves otherwise. We present a mathematically robust formulation of Finite-Element-Method for Neural Networks (FEM-NN) implemented into a comprehensive, modular framework: Fuse-PINN. This formulation provides the basis for a sclable parallelisation of Physics-Informed Neural Networks on GPU-based HPC systems. Furthermore, an Energy Natural Gradient Descent optimiser is implemented to allow high-precision convergence. Fuse-PINN is demonstrated on physics models relevant to Magnetic Confinement Fusion, including non-linear convective models with fine-scale dynamics. Near-perfect scaling is achieved on multi-GPU runs with increasing problem size.
- Abstract(参考訳): PDEモデリングに応用された物理情報ニューラルネットワークの研究は近年大きく進歩し、新しい手法のエコシステムを提供している。
しかしながら、PINNがより野心的な課題、特に大きな空間領域における乱流力学を持つ非線形物理モデルに対処するために、ハイパフォーマンスコンピューティングアーキテクチャをスケールアウトできないことがしばしばある。
典型的な研究は、単純な物理方程式や変数が少なく、長い時間スケールで進化する複雑な非線形力学を持つ玩具模型のデモンストレーションを抑える。
AIコミュニティの一部では、"PINNはスケールしない"という考え方も採用されている。
この仕事はさもなければ証明できる。
本稿では、FEM-NN(Finite-Element-Method for Neural Networks)の数学的に堅牢な定式化について述べる。
この定式化は、GPUベースのHPCシステム上での物理インフォームドニューラルネットワークのスクリプティブル並列化の基礎を提供する。
さらに、高精度収束を可能にするために、エネルギー自然勾配Descenceオプティマイザが実装されている。
Fuse-PINNは磁気閉じ込め核融合に関連する物理モデルで実証され、微細な力学を持つ非線形対流モデルを含む。
ほぼ完全なスケーリングは、問題のサイズが大きくなるとともに、マルチGPU上で達成される。
関連論文リスト
- High-fidelity Multiphysics Modelling for Rapid Predictions Using Physics-informed Parallel Neural Operator [17.85837423448985]
非線形および強く結合した偏微分方程式(PDE)によって支配される複雑な多物理系をモデル化することは、計算科学と工学の基盤となる。
本稿では、スケーラブルで教師なしの学習フレームワークであるPIPNO(Physical-informed parallel neural operator)を提案する。
PIPNOは、地球工学、物質科学、電磁気学、量子力学、流体力学など、様々な物理学における非線形作用素のマッピングを効率的に取得する。
論文 参考訳(メタデータ) (2025-02-26T20:29:41Z) - PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。
我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。
PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
論文 参考訳(メタデータ) (2024-10-02T08:54:18Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳(メタデータ) (2023-07-04T05:19:19Z) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳(メタデータ) (2023-04-21T20:49:29Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳(メタデータ) (2022-11-02T10:33:38Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z)
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。