ترجمه فارسی مقاله عملگر عصبی نمودار فضایی-طیفی برای حل مسائل مکانیک محاسباتی در حوزه نامنظم و شبکه بدون ساختار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Spatio-spectral graph neural operator for solving computational mechanics problems on irregular domain and unstructured grid
عنوان مقاله به فارسی عملگر عصبی نمودار فضایی-طیفی برای حل مسائل مکانیک محاسباتی در حوزه نامنظم و شبکه بدون ساختار
نویسندگان Subhankar Sarkar, Souvik Chakraborty
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 31 August, 2024; originally announced September 2024.
توضیحات به فارسی ارسال 31 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Scientific machine learning has seen significant progress with the emergence of operator learning. However, existing methods encounter difficulties when applied to problems on unstructured grids and irregular domains. Spatial graph neural networks utilize local convolution in a neighborhood to potentially address these challenges, yet they often suffer from issues such as over-smoothing and over-squashing in deep architectures. Conversely, spectral graph neural networks leverage global convolution to capture extensive features and long-range dependencies in domain graphs, albeit at a high computational cost due to Eigenvalue decomposition. In this paper, we introduce a novel approach, referred to as Spatio-Spectral Graph Neural Operator (Sp$^2$GNO) that integrates spatial and spectral GNNs effectively. This framework mitigates the limitations of individual methods and enables the learning of solution operators across arbitrary geometries, thus catering to a wide range of real-world problems. Sp$^2$GNO demonstrates exceptional performance in solving both time-dependent and time-independent partial differential equations on regular and irregular domains. Our approach is validated through comprehensive benchmarks and practical applications drawn from computational mechanics and scientific computing literature.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین علمی با ظهور یادگیری اپراتور پیشرفت چشمگیری داشته است.با این حال ، روش های موجود در هنگام استفاده از مشکلات در شبکه های بدون ساختار و حوزه های نامنظم با مشکلات روبرو می شوند.شبکه های عصبی نمودار فضایی از همبستگی محلی در یک محله استفاده می کنند تا به طور بالقوه به این چالش ها بپردازند ، اما آنها اغلب از موضوعاتی مانند صاف کردن بیش از حد و بیش از حد در معماری های عمیق رنج می برند.در مقابل ، شبکه های عصبی نمودار طیفی ، از Convolution جهانی برای گرفتن ویژگی های گسترده و وابستگی های دوربرد در نمودارهای دامنه استفاده می کنند ، البته با هزینه محاسباتی بالا به دلیل تجزیه مقادیر ویژه.در این مقاله ، ما یک رویکرد جدید را معرفی می کنیم ، که به آن به عنوان اپراتور عصبی نمودار فضا-طیفی (SP $ 2 $ GNO) گفته می شود که GNN های مکانی و طیفی را به طور مؤثر ادغام می کند.این چارچوب محدودیت های روشهای فردی را کاهش می دهد و یادگیری اپراتورهای راه حل را در هندسه های دلخواه امکان پذیر می کند ، بنابراین به طیف گسترده ای از مشکلات دنیای واقعی پذیرایی می کند.SP $ 2 $ GNO عملکرد استثنایی در حل معادلات دیفرانسیل جزئی وابسته به زمان و مستقل از زمان در حوزه های منظم و نامنظم نشان می دهد.رویکرد ما از طریق معیارهای جامع و برنامه های عملی تهیه شده از مکانیک محاسباتی و ادبیات محاسباتی علمی تأیید می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.