Fugu-MT 論文翻訳(概要): Solving Newton's Equations of Motion with Large Timesteps using Recurrent Neural Networks based Operators

論文の概要: Solving Newton's Equations of Motion with Large Timesteps using Recurrent Neural Networks based Operators

arxiv url: http://arxiv.org/abs/2004.06493v3
Date: Tue, 14 Dec 2021 00:08:23 GMT
ステータス: 処理完了
システム内更新日: 2022-12-14 05:11:59.012697
Title: Solving Newton's Equations of Motion with Large Timesteps using Recurrent Neural Networks based Operators
Title（参考訳）: リカレントニューラルネットワークを用いた大規模時間ステップによるニュートン運動方程式の解法
Authors: JCS Kadupitiya and Geoffrey C. Fox and Vikram Jadhao
Abstract要約: ニュートン方程式を正確に解くために、繰り返しニューラルネットワークを用いて導出した演算子を導入する。最大16粒子の3Dシステムを含む多くの例において, 大幅な高速化を示す。
参考スコア（独自算出の注目度）: 0.16114012813668932
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Classical molecular dynamics simulations are based on solving Newton's equations of motion. Using a small timestep, numerical integrators such as Verlet generate trajectories of particles as solutions to Newton's equations. We introduce operators derived using recurrent neural networks that accurately solve Newton's equations utilizing sequences of past trajectory data, and produce energy-conserving dynamics of particles using timesteps up to 4000 times larger compared to the Verlet timestep. We demonstrate significant speedup in many example problems including 3D systems of up to 16 particles.
Abstract（参考訳）: 古典的分子動力学シミュレーションはニュートンの運動方程式の解法に基づいている。小さな時間ステップを用いて、Verletのような数値積分器はニュートン方程式の解として粒子の軌道を生成する。本稿では,過去軌跡データの列を用いてニュートン方程式を正確に解き,最大4000倍の時間ステップで粒子のエネルギー保存ダイナミクスを生成するために,繰り返しニューラルネットワークを用いて導出した演算子を紹介する。 16個までの粒子の3dシステムを含む多くの例で重要なスピードアップを示す。

関連論文リスト

Quantum algorithms to simulate quadratic classical Hamiltonians and optimal control [0.0]
量子アルゴリズムを用いて,古典力学系における興味量を推定する。古典システムの最適制御を設計する問題は、ラグランジアンの第2変種とみなすことができる。我々は、リカティ微分方程式を非線形状態にうまく解くための効率的な量子アルゴリズムを与える。
論文参考訳（メタデータ） (2024-04-10T18:53:22Z)
Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-01-19T21:50:32Z)
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)
Exact conservation laws for neural network integrators of dynamical systems [0.0]
ニューラルネットワークのアーキテクチャに自然に保存法則を組み込むためにネーターの定理を用いるアプローチを提案する。このことが,3つのモデルシステムの予測精度の向上につながることを実証する。
論文参考訳（メタデータ） (2022-09-23T15:45:05Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Discovering hydrodynamic equations of many-body quantum systems [0.0]
利用可能な限られたデータから有効な方程式を自動発見するための新しい機械学習フレームワークを開発する。我々は、既知の流体力学方程式を再現し、新しい方程式を著しく発見し、その導出を提供する。我々の手法は、非摂動状態における量子材料と量子シミュレータの性質を研究するための新しい解釈可能な方法を提供する。
論文参考訳（メタデータ） (2021-11-03T17:55:07Z)
LagNetViP: A Lagrangian Neural Network for Video Prediction [12.645753197663584]
本稿では,基礎となる物理量の学習表現から,運動方程式を明示的に構築するビデオ予測モデルを提案する。改良型OpenAI体育館Pendulum-v0とAcrobot環境における画像列の映像予測に,本手法の有効性を実証した。
論文参考訳（メタデータ） (2020-10-24T16:50:14Z)
Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。従来のPDEソルバに比べて最大3桁高速である。
論文参考訳（メタデータ） (2020-10-18T00:34:21Z)
Learning Unknown Physics of non-Newtonian Fluids [56.9557910899739]
我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。 PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。 PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
論文参考訳（メタデータ） (2020-08-26T20:41:36Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。