論文の概要: A deep learning modeling framework to capture mixing patterns in reactive-transport systems

• arxiv url: http://arxiv.org/abs/2101.04227v1
• Date: Mon, 11 Jan 2021 22:55:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 14:26:19.981308
• Title: A deep learning modeling framework to capture mixing patterns in reactive-transport systems
• Title（参考訳）: 反応-輸送系における混合パターンをキャプチャするディープラーニングモデリングフレームワーク
• Authors: N. V. Jagtap, M. K. Mudunuru, and K. B. Nakshatrala
• Abstract要約: 化学混合の予測と制御は、地下反応性輸送、気候モデリング、燃焼、疫学、薬理学など多くの科学分野において不可欠である。 本稿では,高速二分子反応下での化学混合の進展を予測するための深層学習(DL)モデリングフレームワークを提案する。 このフレームワークは畳み込みニューラルネットワーク(CNN)を使用して空間パターンをキャプチャし、LSTM(Long Short-term Memory)ネットワークは混合の時系列変動を予測する。
• 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: Prediction and control of chemical mixing are vital for many scientific areas such as subsurface reactive transport, climate modeling, combustion, epidemiology, and pharmacology. Due to the complex nature of mixing in heterogeneous and anisotropic media, the mathematical models related to this phenomenon are not analytically tractable. Numerical simulations often provide a viable route to predict chemical mixing accurately. However, contemporary modeling approaches for mixing cannot utilize available spatial-temporal data to improve the accuracy of the future prediction and can be compute-intensive, especially when the spatial domain is large and for long-term temporal predictions. To address this knowledge gap, we will present in this paper a deep-learning (DL) modeling framework applied to predict the progress of chemical mixing under fast bimolecular reactions. This framework uses convolutional neural networks (CNN) for capturing spatial patterns and long short-term memory (LSTM) networks for forecasting temporal variations in mixing. By careful design of the framework -- placement of non-negative constraint on the weights of the CNN and the selection of activation function, the framework ensures non-negativity of the chemical species at all spatial points and for all times. Our DL-based framework is fast, accurate, and requires minimal data for training.
• Abstract（参考訳）: 化学混合の予測と制御は、地下反応性輸送、気候モデリング、燃焼、疫学、薬理学など多くの科学分野において不可欠である。 異方性媒質と異方性媒質の混合の複雑な性質から、この現象に関連する数学的モデルは解析的に説明できない。 数値シミュレーションは、しばしば化学混合を正確に予測するための実行可能な経路を提供する。 しかし,空間領域が大きい場合,特に長期の時間的予測において,現代的な混合モデルでは,将来予測の精度を向上させるために利用可能な時空間データを利用することはできない。 本稿では, この知識ギャップに対処するため, 高速二分子反応における化学混合の進行を予測するための深層学習(DL)モデリングフレームワークを提案する。 このフレームワークは、畳み込みニューラルネットワーク(CNN)を使用して、空間パターンと長い短期記憶(LSTM)ネットワークを捕捉し、混合時の時間的変動を予測する。 この枠組みは、cnnの重みと活性化関数の選択に対する非負の制約の配置を注意深く設計することにより、全ての空間点および常に化学種の非負性を保証する。 私たちのdlベースのフレームワークは高速で正確で、トレーニングに最小限のデータが必要です。

関連論文リスト

• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Graph Fourier Neural ODEs: Bridging Spatial and Temporal Multiscales in Molecular Dynamics [39.412937539709844]
  分子動力学における空間的・時間的多スケール相互作用を共同でモデル化する新しい枠組みを提案する。 MD17データセット上で本モデルを評価し,最先端のベースラインに対して一貫した性能向上を示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Universal neural network potentials as descriptors: Towards scalable chemical property prediction using quantum and classical computers [0.0]
  本稿では,化学特性予測のための汎用記述子として,普遍的ニューラルネットワークポテンシャルの中間情報を利用する汎用的アプローチを提案する。 本稿では,M3GNet や MACE などのグラフニューラルネットワークを用いた伝達学習が,NMR の化学シフトを予測するための最先端手法に匹敵する精度を実現することを示す。
  論文  参考訳（メタデータ） (2024-02-28T15:57:22Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• A Note on Learning Rare Events in Molecular Dynamics using LSTM and Transformer [4.80427355202687]
  近年,低次元反応座標のシミュレーションデータを用いてLSTMによるスローダイナミクスの学習に成功した。 本稿では, 言語モデル学習の性能, すなわち反応座標の次元性, 時間分解能, 状態分割の3つの重要な要因について述べる。
  論文  参考訳（メタデータ） (2021-07-14T09:26:36Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。