論文の概要: Learning effective physical laws for generating cosmological
hydrodynamics with Lagrangian Deep Learning
- arxiv url: http://arxiv.org/abs/2010.02926v1
- Date: Tue, 6 Oct 2020 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 08:09:12.189508
- Title: Learning effective physical laws for generating cosmological
hydrodynamics with Lagrangian Deep Learning
- Title（参考訳）: ラグランジュ深層学習による宇宙流体力学生成のための効果的な物理法則の学習
- Authors: Biwei Dai and Uros Seljak
- Abstract要約: 宇宙力学シミュレーションの出力を学習するために,ラグランジアン深層学習を提案する。
このモデルは、観測可能な粒子を記述したラグランジアン変位の層を用いて、有効な物理法則を学習する。
学習されたパラメータの総数はオーダー10のみであり、有効理論パラメータと見なすことができる。
- 参考スコア（独自算出の注目度）: 7.6146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The goal of generative models is to learn the intricate relations between the
data to create new simulated data, but current approaches fail in very high
dimensions. When the true data generating process is based on physical
processes these impose symmetries and constraints, and the generative model can
be created by learning an effective description of the underlying physics,
which enables scaling of the generative model to very high dimensions. In this
work we propose Lagrangian Deep Learning (LDL) for this purpose, applying it to
learn outputs of cosmological hydrodynamical simulations. The model uses layers
of Lagrangian displacements of particles describing the observables to learn
the effective physical laws. The displacements are modeled as the gradient of
an effective potential, which explicitly satisfies the translational and
rotational invariance. The total number of learned parameters is only of order
10, and they can be viewed as effective theory parameters. We combine N-body
solver FastPM with LDL and apply them to a wide range of cosmological outputs,
from the dark matter to the stellar maps, gas density and temperature. The
computational cost of LDL is nearly four orders of magnitude lower than the
full hydrodynamical simulations, yet it outperforms it at the same resolution.
We achieve this with only of order 10 layers from the initial conditions to the
final output, in contrast to typical cosmological simulations with thousands of
time steps. This opens up the possibility of analyzing cosmological
observations entirely within this framework, without the need for large
dark-matter simulations.
- Abstract（参考訳）: 生成モデルの目的は、データ間の複雑な関係を学習して新しいシミュレーションデータを作成することであるが、現在のアプローチは非常に高い次元で失敗する。
真のデータ生成プロセスが物理過程に基づく場合、これらのプロセスは対称性と制約を課し、生成モデルは基礎となる物理の効果的な記述を学習することで生成モデルを非常に高次元に拡張することができる。
本研究では,この目的のためにラグランジアンディープラーニング (LDL) を提案し,それを宇宙力学シミュレーションの出力の学習に適用する。
このモデルは、観測可能な粒子を記述するラグランジアン変位の層を用いて、有効な物理法則を学ぶ。
変位は、翻訳的および回転的不変性を明確に満足する有効ポテンシャルの勾配としてモデル化される。
学習されたパラメータの総数はオーダー10のみであり、有効理論パラメータと見なすことができる。
我々は、n体ソルバfastpmとldlを組み合わせることで、暗黒物質から恒星の地図、ガス密度、温度まで、幅広い宇宙論的アウトプットに適用する。
LDLの計算コストは、完全な流体力学シミュレーションよりも4桁近く低いが、同じ解像度でそれを上回る。
初期条件から最終出力までの10層のみでこれを達成し、何千もの時間ステップを持つ典型的な宇宙論的シミュレーションとは対照的である。
これにより、大きな暗黒物質シミュレーションを必要とせずに、このフレームワーク内での宇宙観測を完全に分析できる可能性が開ける。
関連論文リスト
- Language Models as Zero-shot Lossless Gradient Compressors: Towards
General Neural Parameter Prior Models [66.1595537904019]
大型言語モデル(LLM)はゼロショット設定でグラデーション先行として振る舞うことができる。
本稿では,LSMと算術符号を統合する新しい手法であるLM-GCを紹介する。
論文 参考訳（メタデータ） (2024-09-26T13:38:33Z) - CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
CHARMは、モックハローカタログを作成するための新しい方法である。
モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文 参考訳（メタデータ） (2024-09-13T18:00:06Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Fast and realistic large-scale structure from machine-learning-augmented
random field simulations [0.0]
我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。
本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
論文 参考訳（メタデータ） (2022-05-16T18:00:01Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Learning 3D Granular Flow Simulations [6.308272531414633]
離散要素法LIGGGHTSにより生成された複雑な3次元粒状流シミュレーションプロセスの正確なモデリングに向けたグラフニューラルネットワークアプローチを提案する。
本稿では,3次元物体,境界条件,粒子-粒子,粒子-境界相互作用を扱うグラフニューラルネットワークの実装方法について論じる。
論文 参考訳（メタデータ） (2021-05-04T17:27:59Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳（メタデータ） (2020-12-01T03:30:37Z) - AI-assisted super-resolution cosmological simulations [9.59904742274332]
我々は、高分解能(HR)画像データから学習し、異なる低分解能(LR)画像の高精度超解像(SR)バージョンを作成するニューラルネットワークを開発した。
我々は, 512倍の粒子を生成し, 初期位置からの変位を予測することにより, シミュレーションの精度を向上させることができる。
我々のモデルは16対の小容量LR-HRシミュレーションから学習し、その結果、HR物質パワースペクトルを最大16,h-1mathrmMpc$、HRハロ質量関数を10ドル以内で再現するSRシミュレーションを生成することができる。
論文 参考訳（メタデータ） (2020-10-13T18:04:24Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。