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
- Smooth and Sparse Latent Dynamics in Operator Learning with Jerk
Regularization [1.621267003497711]
本稿では,圧縮された潜在空間の学習にジャッジ正規化を組み込んだ連続演算子学習フレームワークを提案する。
このフレームワークは、任意の所望の空間的あるいは時間的解像度での推論を可能にする。
この枠組みの有効性は、ナヴィエ・ストークス方程式によって支配される二次元非定常流問題によって証明される。
論文 参考訳(メタデータ) (2024-02-23T22:38:45Z) - Efficient and Effective Time-Series Forecasting with Spiking Neural
Networks [50.195087118884665]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-08T23:44:54Z) - Uncertainty-biased molecular dynamics for learning uniformly accurate
interatomic potentials [20.574068788623798]
アクティブラーニング(AL)は、バイアスドまたはアンバイアスド分子動力学(MD)シミュレーションを用いて候補プールを生成する。
提案する不確実性駆動型AL手法を用いて,2つのベンチマークシステムのための機械学習型原子間ポテンシャル(MLIP)を開発する。
提案したデータ生成法で訓練されたMLIPは、両方の原子系の関連する構成空間をより正確に表現する。
論文 参考訳(メタデータ) (2023-12-03T14:39:14Z) - Using a neural network approach to accelerate disequilibrium chemistry
calculations in exoplanet atmospheres [0.0]
本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に着目する。
ネットワークのアーキテクチャは、各入力変数に対する個々のオートエンコーダで構成され、入力次元を減少させる。
その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
論文 参考訳(メタデータ) (2023-06-12T12:39:21Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - 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) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - 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。