PDE シリーズの不変式を解読して組み込む新しい演算子学習フレームワーク

最近の記事で 出版された の中に ナショナル・サイエンス・レビュー, 研究者らは、PIANO と呼ばれる新しいオペレーター学習フレームワークを提案しました。 PIANO は、自己教師あり学習を使用して、異なる物理メカニズムを持つ偏微分方程式 (PDE) システムから物理不変量を含む表現を抽出し、それによってニューラル オペレーターの一般化能力をさまざまな物理シナリオに拡張します。

この研究は、Zhi-Ming Ma 教授 (中国科学院数学システム科学アカデミー (AMSS)) と Qi Meng 博士 (Microsoft Research AI4Science) によって主導されました。 博士号 AMSS の学生 Rui Zhang が筆頭著者です。

ニューラル オペレーターは、PDE ソルバーのトレーニングを関数から関数へのマッピングを学習するものと見なすため、シミュレーション プロセスが大幅に高速化されます。 従来の手法と比較して、ニューラル オペレーターは時空離散化の限界を突破し、推論速度を数千倍向上させ、逆設計や物理シミュレーションなどの分野で大きな可能性を示します。

ただし、現在の手法のほとんどは、単一の方程式によって駆動されるシステムからのデータを主に考慮しているため、マルチフィジックス シナリオでのニューラル オペレーターの適用が制限されています。

この問題を解決するために、研究者らは、Physical Invariant Attendee Neural Operator (PIANO) と呼ばれる新しいオペレーター学習フレームワークを提案しました。 PIANO は、方程式のパラメータや境界条件など、さまざまな物理的不変量によって駆動される PDE シリーズ データから物理知識を解読し、統合することができます。

PIANO は 2 つの主要な設計を採用しています。1 つは自己教師あり学習手法を使用して物理的不変式を含む表現を学習することであり、もう 1 つは学習された表現を動的畳み込み層を通じてニューラル演算子に埋め込むことです。 さらに、研究者は、以下に基づいて 3 種類の物理を意識したトリミング方法を提案しています 事前知識 さまざまな PDE システムの属性に合わせて調整します。

研究者らは、バーガーズ方程式、対流拡散方程式、ナビエ・ストークス方程式などのいくつかのベンチマーク問題に対する PIANO の有効性と物理的重要性を実証しました。 実験結果は、PIANOがさまざまな物理メカニズムを備えたPDEデータセットからニューラル演算子を学習する場合、その精度と一般化が既存の方法よりも優れていることを示しています。

6回の実験の結果によると、PIANOはPDEシステムの物理情報を解読して統合することにより、相対エラー率を15.1%～82.2%削減できます。 さらに、一連の下流タスクの結果は、PIANO によって抽出された PI 表現の物理的重要性を検証します。