左のテーブル Abstract and 1. Introduction 抽象と1 導入 1.1 入門コメント 1.2 ニューラルネットワークの基本 1.3.Direct PINN methods entropyについて 4.紙の組織化 
 
 
 
 
 
 
 
 
 
 
 
 
 Non-diffusive neural network solver for one dimensional scalar HCLs 2.1. One shock wave 2.2. Arbitrary number of shock waves 2.3. Shock wave generation 2.4. Shock wave interaction 2.5. Non-diffusive neural network solver for one dimensional systems of CLs 2.6. Efficient initial wave decomposition 
 
 
 
 Gradient descent algorithm and efficient implementation 3.1. Classical gradient descent algorithm for HCLs 3.2. Gradient descent and domain decomposition methods 
 
 
 
 
 
 
 
 
 Numerics 4.1. Practical implementations 4.2. Basic tests and convergence for 1 and 2 shock wave problems 4.3. Shock wave generation 4.4. Shock-Shock interaction 4.5. Entropy solution 4.6. Domain decomposition 4.7. Nonlinear systems 
 
 Conclusion and References Non-diffusive neural network solver for one-dimensional scalar HCL 結論と参照 5.結論 この論文では、非散布性ニューラルネットワークの方法を使用してハイパーボリック保存法を解決するためのオリジナルな方法を提案しました。 DLs と DLs が定義するサブドメインで保存法を解決し、その解決がスムーズな場所で ニューラルネットワークを使用して DLs と各サブドメインの保存法の解決に近づきました ネットワークは、保存法、境界および初期条件およびRankine-Hugoniot 条件の残留を測定する機能損失を最小限に抑えることによって訓練されています このアプローチは、HCL の弱い公式を使用することなくショック波の計算を可能にします 他の機能は、ソリューションと DLs を近づけるために使用できますが、ニューラルネットワークは興味深い機能を提供します。実際には、それらは、衍生物の近似エラーを回避し、アルゴリズムの実装を容易に グローバル損失機能アプローチが近づくのが遅い場合、急速に近づき、恥ずかしく平行(Schwarz)ドメイン分解方法が使用されることがあります。 将来の仕事では、この方法論をより高い次元の問題に適用する予定です。 CRediT authorship contribution statement 著者は同様に貢献した。 Declaration of competing interest 著者は、この論文で報告された仕事に影響を与える可能性のある競合する財務的利益や個人的な関係が知られていないことを宣言する。 Data availability この記事で説明された研究のためのデータは使用されていません。 参照 [1] J.-M. Ghidaglia and F. Pascal. The normal flow method at the boundary for multidimensional finite volume approximations in CFD. Eur. J. Mech. B Fluids, 24(1):1-17, 2005. [2] E. Godlewski and P.-A. Raviart. Hyperbolic systems of conservation laws, volume 3/4 of Math ́ematiques & Applications (Paris) [Mathematics and Applications]. Ellipses, Paris, 1991. [3] D. Serre. Syst`emes de lois de conservation. I. Fondations. [Foundations.] Diderot Editeur, Paris, 1996. Hyperbolicit ́e, entropies, ondes de choc. [Hyperbolicity, entropies, shock waves]. [4] P. G. LeFloch. Hyperbolic systems of conservation laws. Lectures in Mathematics ETH Z ̈urich. Birkh ̈auser Verlag, Basel, 2002. クラシックと非クラシックショック波の理論。 J. Smoller. Shock waves and reaction-diffusion equations, volume 258 of Grundlehren der Mathematischen Wissenschaften. Springer-Verlag, New York-Berlin, 1983. [6] E. Godlewski and P.-A. Raviart. Numerical approximation of hyperbolic systems of conservation laws, volume 118 of Applied Mathematical Sciences. Springer-Verlag, New York, 1996. [7] B. Despr ́es. Lax theorem and finite volume schemes. Math. Comput., 74(247) [8] M. Laforest and P. G. LeFloch. Diminishing functionals for nonclassical entropy solutions selected by kinetic relations. Port. Math., 67(3), 2010. [9] I.E. Lagaris, A. Likas, and D.I. Fotiadis. Artificial neural networks for solving ordinary and partial differential equations. IEEE Transactions on Neural Networks, 9(5):987– 1000, 1998. [10] M. Raissi, P. Perdikaris, and G.E. Karniadakis. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378:686–707, 2019. [11] G. Pang, L. Lu, and G.E. Karniadakis. fPINNs: fractional physics-informed neural networks. SIAM J. Sci. Comput., 41(4):A2603–A2626, 2019. [12] L. Yang, D. Zhang, and G. E. Karniadakis. Physics-informed generative adversarial networks for stochastic differential equations. SIAM J. Sci. Comput., 42(1):A292–A317, 2020. [13] J. Han、A. Jentzen、および Weinan E. 深層学習を使用して高次元部分差異方程式を解決する Proc. Natl. Acad. Sci. USA, 115(34):8505–8510, 2018. [14] H. Gao, M. J. Zahr, and J.-X. Wang. Physics-informed Graph Neural Galerkin networks: a unified framework for solving PDE-governed forward and inverse problems. Comput. Methods Appl. Mech. Engrg., 390:Paper No. 114502, 18, 2022. [15] J. Sirignano and K. Spiliopoulos. DGM: a deep learning algorithm for solving partial differential equations. J. Comput. Phys., 375:1339–1364, 2018. [16] A.D. Jagtap, E. Kharazmi, and G.E. Karniadakis. Conservative physics-informed neural networks on discrete domains for conservation laws: Applications to forward and reverse problems. Computer Methods in Applied Mechanics and Engineering, 365, 2020. R. Rodriguez-Torrado、P. Ruiz、L. Cueto-Felgueroso. Physics-informed attention-based neural network for hyperbolic partial differential equations: application to the Buckley-Leverett problem. Sci Rep., 12:7557, 2022. [18] R. G. Patel, I. Manickam, N. A. Trask, M. A. Wood, M. Lee, I. Tomas, and E. C. Cyr. Thermodynamically consistent physics-informed neural networks for hyperbolic systems. J. of Comput. Phys., 449:110754, 2022. [19] E. Lorin and X. Yang. Schwarz waveform relaxation-learning for advection-diffusion reaction equations. J. Comput. Phys., 473:Paper No. 111657, 2023. [20] E. Lorin and X. Yang. Neural network-based quasi-optimal domain decomposition method for computing the Schr ̈odinger equation. Comput. Phys. Commun., Accepted. 2024. [21] M. Gander and L. Halpern. Optimized Schwarz waveform relaxation methods for advection reaction diffusion problems. SIAM J. on Numer. Anal., 45(2):666-697 2007. [22] M. J. Gander, F. Kwok, and B. C. Mandal. Dirichlet-Neumann waveform relaxation methods for parabolic and hyperbolic problems in multiple subdomains. BIT Numerical Mathematics, 61(1):173–207, 2021. [23] M. J. Gander and C. Rohde. Overlapping Schwarz waveform relaxation for convection-dominated nonlinear conservation laws. SIAM Journal on Scientific Computing, 27(2):415–439, 2006. [24] X. Antoine and E. Lorin. An analysis of Schwarz waveform relaxation domain decomposition methods for the imaginary-time linear Schrodinger and Gross-Pitaevskii equations. Numerische Mathematik, 137(4):923–958, 2017. [25] L. Bottou, F. E. Curtis, and J. Nocedal. Optimization methods for large-scale machine learning. SIAM Rev., 60(2):223-311, 2018. [26] Bradbury J, R. Frostig, P. Hawkins, M. J. Johnson, C. Leary, D. Maclaurin, G. Necula, A. Paszke, J. VanderPlas, S. Wanderman-Milne, and Q. Zhang. JAX: composable transformations of Python+NumPy programs, 2018. 27] J.L. Montagne, H.C. Yee, and M. Vinokur. Comparative study of high-resolution shockcapturing schemes for a real gas. in: Proc. seventh gamm conf. on numerical methods in fluid mechanics, (Lauvain-la-Neuve, Belgium: Sep. 9-11, 1987), m. Devill, 20 (ISBN 3-528-08094-9), 1987. [28] P. L. Roe. Approximate Riemann solvers, parameter vectors, and difference schemes. J. Comput. Phys., 43(2):357-372, 1981. [29] L. Halpern and J. Szeftel. Optimized and quasi-optimal Schwarz waveform relaxation for the one-dimensional Schr ̈odinger equation. Mathematical Models and Methods in Applied Sciences, 20(12):2167-2199, 2010. [30] X. Antoine, F. Hou, and E. Lorin. Asymptotic estimates of convergence of classical Schwarz waveform relaxation domain decomposition methods for two-dimensional stationary quantum waves. ESAIM: Numerical Analysis and Mathematical Modeling (M2AN), 52(4):1569–1596, 2018. [31] X. Antoine and E. Lorin. On the rate of convergence of Schwarz waveform relaxation methods for the time-dependent Schr ̈odinger equation. J. Comput. Appl. Math., 354:15– 30, 2019. [32] X. Antoine, C. Besse, and P. Klein. Absorbing boundary conditions for the one-dimensional Schr ́odinger equation with an external repulsive potential. J. Comput. Phys., 228(2):312-335、2009 [33] A. Modave, A. Royer, X. Antoine, and C. Geuzaine. A. Modave, A. Royer, X. Antoine, and C. Geuzaine. A non-overlapping domain decomposition method with high-order transmission conditions and cross-point treatment for Helmholtz problems. Comput. Methods Appl. Mech. Engrg., 368:113162, 23, 2020. [34] I. Badia, B. Caudron, X. Antoine, and C. Geuzaine. A well conditioned weak coupling of boundary element and high-order finite element methods for time-harmonic electromagnetic scattering by inhomogeneous objects. SIAM J. Sci. Comput., 44(3):B640–B667, 2022. [35] X. Antoine and C. Besse. Unconditionally stable discretization schemes of non-reflecting boundary conditions for the one-dimensional Schrodinger equation. J. Comput. Phys., 188(1):157–175, 2003. [36] R. Gorenflo. Fractional calculus: Some numerical methods. In CISM Courses and Lectures, volume 378. Springer, 1997. [37] X. Antoine, E. Lorin, and Q. Tang. A friendly review to absorbing boundary conditions and perfectly matched layers for classical and relativistic quantum wave equations. Molecular Physics, to appear, 115, 2017. [38] N. J. Ford and J. A. Connolly. Comparison of numerical methods for fractional differential equations. Communications on Pure and Applied Analysis, 5(2):289–307, 2006. [39] X. Antoine and H. Barucq. Microlocal diagonalization of strictly hyperbolic pseudodifferential systems and application to design of radiation conditions in electromagnetism. SIAM J. Appl. Math., 61(6):1877–1905 (electronic), 2001. [40] G. Carleo, I. Cirac, K. Cranmer, L. Daudet, M. Schuld, N. Tishby, L. Vogt-Maranto, and L. Zdeborov ́a. Machine learning and the physical sciences. Rev. Mod. Phys., 91:045002, Dec 2019. [41] G. Carleo と M. Troyer. 人工神経ネットワークで量子複数の体の問題を解決する. 科学, 355(6325):602–606, 2017. [42] X.アントワン、C.ベッシー、およびP.クライン. 外部潜在力を持つ二次元シュロディンガー方程式の境界条件を吸収する. Part I: Construction and a priori estimates. Math. Models Methods Appl. Sci., 22(10):1250026, 38, 2012. [43] X. Antoine and C. Besse. Construction, structure and asymptotic approximations of a microdifferential transparent boundary condition for the linear Schr ̈odinger equation. J. Math. Pures Appl. (9), 80(7):701-738, 2001. [44] L. Nirenberg. Lectures on linear partial differential equations. American Mathematical Society, Providence, R.I., 1973. 
 
 
 
 著者: (1) Emmanuel LORIN, School of Mathematics and Statistics, Carleton University, Ottawa, Canada, K1S 5B6 and Centre de Recherches Mathematiques, Universit ́e de Montr ́eal, Montreal, Canada, H3T 1J4 (elorin@math.carleton.ca) (2)アリアン・ノブルジ(Arian NOVRUZI)は、カナダのオタワ大学数学および統計学部(Ottawa University, ON K1N 6N5, Canada)の著者(novruzi@uottawa.ca)。 Authors: (1) Emmanuel LORIN, School of Mathematics and Statistics, Carleton University, Ottawa, Canada, K1S 5B6 and Centre de Recherches Mathematiques, Universit ́e de Montr ́eal, Montreal, Canada, H3T 1J4 (elorin@math.carleton.ca) (2)アリアン・ノブルジ(Arian NOVRUZI)は、カナダのオタワ大学数学および統計学部(Ottawa University, ON K1N 6N5, Canada)の著者(novruzi@uottawa.ca)。 
 
 この論文は、CC by 4.0 Deed (Attribution 4.0 International) ライセンスの下で archiv で利用できます。 この論文は、CC by 4.0 Deed (Attribution 4.0 International) ライセンスの下で archiv で利用できます。 ARCHIV で利用可能

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Tech Hyperbole

hyperbole.tech

このオーディオは、ストーリーの元の言語で制作されています。

A Non-Diffusive Neural Network Method for Solving Hyperbolic Conservation Laws ハイパーボリック保存法則

About Author

コメント

ラベル

この記事は

Related Stories

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

ワークフローを10倍に向上させる方法: 必須アプリ17選

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

ワークフローを10倍に向上させる方法: 必須アプリ17選

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps