Fugu-MT 論文翻訳(概要): Accelerated reactive transport simulations in heterogeneous porous media using Reaktoro and Firedrake

論文の概要: Accelerated reactive transport simulations in heterogeneous porous media using Reaktoro and Firedrake

arxiv url: http://arxiv.org/abs/2009.01194v2
Date: Thu, 29 Oct 2020 13:24:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 04:26:36.531157
Title: Accelerated reactive transport simulations in heterogeneous porous media using Reaktoro and Firedrake
Title（参考訳）: ReaktoroとFiredrakeを用いた異種多孔質媒体の高速反応性輸送シミュレーション
Authors: Svetlana Kyas, Diego Volpatto, Martin O. Saar, and Allan M. M. Leal
Abstract要約: ODMLは、反応性輸送シミュレーションにおける計算コストの高い地球化学反応計算を高速化するために考案された。 ODMLアルゴリズムは,これらの計算を1～3桁の速度で高速化することを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work investigates the performance of the on-demand machine learning (ODML) algorithm introduced in Leal et al. (2020) when applied to different reactive transport problems in heterogeneous porous media. ODML was devised to accelerate the computationally expensive geochemical reaction calculations in reactive transport simulations. We demonstrate that the ODML algorithm speeds up these calculations by one to three orders of magnitude. Such acceleration, in turn, significantly accelerates the entire reactive transport simulation. The numerical experiments are performed by implementing the coupling of two open-source software packages: Reaktoro (Leal, 2015) and Firedrake (Rathgeber et al., 2016).
Abstract（参考訳）: 本稿では,leal et al. (2020) で導入されたオンデマンド機械学習 (odml) アルゴリズムの性能を,異種多孔質媒質中の異なる反応性輸送問題に適用した場合に検討する。 ODMLは、反応性輸送シミュレーションにおける計算コストの高い地球化学反応計算を高速化するために考案された。 ODMLアルゴリズムはこれらの計算を1～3桁高速化することを示した。このような加速は反応輸送シミュレーション全体を著しく加速させる。数値実験は、reaktoro (leal, 2015)とfiredrake (rathgeber et al., 2016)の2つのオープンソースソフトウェアパッケージの結合を実装して行われる。

関連論文リスト

Neurons for Neutrons: A Transformer Model for Computation Load Estimation on Domain-Decomposed Neutron Transport Problems [48.35237609036802]
本稿では, 独自の3次元入力埋め込みを持つトランスフォーマーモデルと, 領域分解中性子輸送問題のための入力表現を提案する。本研究では,ドメイン分割型小型モジュールリアクタ(SMR)シミュレーションでトレーニングしたモデルが98.2%の精度を実現し,小型シミュレーションのステップを完全にスキップできることを実証する。
論文参考訳（メタデータ） (2024-11-05T18:17:51Z)
Quantum Algorithm for the Advection-Diffusion Equation with Optimal Success Probability [0.0]
明示的時間マーチ演算子は、対流様成分と補正シフト演算子とに分離される。その結果、最適な成功確率を持つタイムマーチング演算子の非スケールブロック符号化が得られた。
論文参考訳（メタデータ） (2024-10-10T13:37:08Z)
Neural Surrogate HMC: Accelerated Hamiltonian Monte Carlo with a Neural Network Surrogate Likelihood [0.0]
ニューラルネットワークによって実装された代理確率関数を用いて計算を復号化することにより,いくつかの問題を抽出可能であることを示す。これは、確率評価におけるノイズの低減と高速勾配計算の2つの利点があることを示す。
論文参考訳（メタデータ） (2024-07-29T21:54:57Z)
Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
論文参考訳（メタデータ） (2023-03-20T20:18:04Z)
Adaptive physics-informed neural operator for coarse-grained non-equilibrium flows [0.0]
このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。 0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
論文参考訳（メタデータ） (2022-10-27T23:26:57Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)
Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文参考訳（メタデータ） (2022-05-19T08:37:56Z)
Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文参考訳（メタデータ） (2021-03-01T22:55:48Z)
Accelerating Feedforward Computation via Parallel Nonlinear Equation Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文参考訳（メタデータ） (2020-02-10T10:11:31Z)
Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。