Core Concepts
特異変分問題を近似するための拡張ガラーキンニューラルネットワークフレームワークを提案し、その理論的根拠と有効性を示す。
Abstract
本研究では、一般的な境界値問題を近似するための拡張ガラーキンニューラルネットワーク(xGNN)フレームワークを提案している。主な貢献は以下の通り:
一般的な境界値問題に適用可能な重み付き最小二乗変分定式化の理論的根拠を示した。
特異解構造を組み込み、さらに学習することができる「拡張」フィードフォワードネットワーク構造を提案した。これにより、特異解の近似性が大幅に向上する。
数値例として、再入射角を持つ領域や凸角領域における定常ストークス流れを取り上げ、提案手法の有効性を示した。
Stats
問題 (1.1) は、適切な norm において一意の解を持ち、データに対して連続的に依存する。
提案する最小二乗変分定式化 (2.12) は連続かつ coercive である。
解 u は u = u∞+ uΨ の形で表され、u∞は高い正則性を持ち、uΨ は低い正則性を持つ。
Quotes
"一般的な境界値問題を近似するための拡張ガラーキンニューラルネットワーク(xGNN)フレームワークを提案している。"
"特異解構造を組み込み、さらに学習することができる「拡張」フィードフォワードネットワーク構造を提案した。"
"数値例として、再入射角を持つ領域や凸角領域における定常ストークス流れを取り上げ、提案手法の有効性を示した。"