論文の概要: Deep-Learning Discovers Macroscopic Governing Equations for Viscous
Gravity Currents from Microscopic Simulation Data
- arxiv url: http://arxiv.org/abs/2106.00009v1
- Date: Mon, 31 May 2021 02:24:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 14:33:06.972830
- Title: Deep-Learning Discovers Macroscopic Governing Equations for Viscous
Gravity Currents from Microscopic Simulation Data
- Title(参考訳): 微視的シミュレーションデータによる粘性重力電流のマクログバニング方程式の深層学習による発見
- Authors: Junsheng Zeng, Hao Xu, Yuntian Chen, and Dongxiao Zhang
- Abstract要約: 本研究では,高分解能顕微鏡シミュレーションデータに基づいて,粘性重力電流のマクロ的支配方程式を発見するためのディープラーニングに基づくフレームワークを提案する。
提案したディープラーニングフレームワークは,データ空間における実験結果やシミュレーション結果から,科学的意味空間における未発見の意味法則を発見できる可能性を示している。
- 参考スコア(独自算出の注目度): 2.572613064799459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although deep-learning has been successfully applied in a variety of science
and engineering problems owing to its strong high-dimensional nonlinear mapping
capability, it is of limited use in scientific knowledge discovery. In this
work, we propose a deep-learning based framework to discover the macroscopic
governing equation of viscous gravity current based on high-resolution
microscopic simulation data without the need for prior knowledge of underlying
terms. For two typical scenarios with different viscosity ratios, the
deep-learning based equations exactly capture the same dominated terms as the
theoretically derived equations for describing long-term asymptotic behaviors,
which validates the proposed framework. Unknown macroscopic equations are then
obtained for describing short-term behaviors, and hidden mechanisms are
eventually discovered with deep-learned explainable compensation terms and
corresponding coefficients. Consequently, the presented deep-learning framework
shows considerable potential for discovering unrevealed intrinsic laws in
scientific semantic space from raw experimental or simulation results in data
space.
- Abstract(参考訳): 深層学習は、高次元の非線形マッピング能力により、様々な科学や工学の問題にうまく適用されてきたが、科学的知識の発見では限られた用途である。
本研究では,基礎用語の事前知識を必要とせず,高分解能微視的シミュレーションデータに基づく粘性重力電流の巨視的支配方程式を探索するためのディープラーニングフレームワークを提案する。
粘度比が異なる2つの典型的なシナリオに対して、ディープラーニングに基づく方程式は、提案された枠組みを検証した長期漸近的な振る舞いを記述するための理論的に導出された方程式と同じ支配的な用語を正確に捉えている。
未知の巨視的方程式は短期的な振る舞いを記述するために得られ、隠れたメカニズムは最終的に説明可能な項と対応する係数で発見される。
その結果,データ空間における実験結果やシミュレーション結果から,科学的意味空間における未知の固有法則を発見できる可能性が示唆された。
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) - Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳(メタデータ) (2024-11-10T16:40:27Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳(メタデータ) (2024-05-16T03:04:10Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Constructing Custom Thermodynamics Using Deep Learning [10.008895786910195]
人工知能(AI)の最もエキサイティングな応用の1つは、以前に蓄積されたデータに基づいた自動科学的発見である。
ここでは、任意の散逸系のマクロ的記述を学習するための一般化オンサーガー原理に基づくプラットフォームを開発する。
本研究では, 長期ポリマー鎖の伸張特性を理論的, 実験的に検証し, その効果を実証する。
論文 参考訳(メタデータ) (2023-08-08T08:19:43Z) - Learning Homogenization for Elliptic Operators [5.151892549395954]
マルチスケール偏微分方程式(PDE)は様々な応用で発生し、効率的な解法としていくつかのスキームが開発されている。
ホモジェナイゼーション理論(英語版)は、小さな依存を取り除く強力な方法論であり、結果として単純な方程式が引き起こされる。
本稿では, 楕円型作用素の複素数の存在下での同質化法則の学習可能性について検討する。
論文 参考訳(メタデータ) (2023-06-21T04:05:10Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。
GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。
我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文 参考訳(メタデータ) (2023-02-01T17:29:43Z) - 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) - Theory-guided hard constraint projection (HCP): a knowledge-based
data-driven scientific machine learning method [7.778724782015986]
本研究は理論誘導型ハード制約射影(hcp)を提案する。
このモデルは、支配方程式のような物理的な制約を、離散化によって容易に扱える形式に変換する。
理論誘導型HCPの性能は不均一な地下流れ問題に基づく実験により検証した。
論文 参考訳(メタデータ) (2020-12-11T06:17:43Z) - Data-Driven Discovery of Coarse-Grained Equations [0.0]
マルチスケールモデリングとシミュレーションは、シミュレーションデータの学習がそのような発見につながる2つの分野である。
我々は、そのようなモデルの人間の発見を、2つのモードで実行できるスパース回帰に基づく機械学習戦略に置き換える。
一連の例は、方程式発見に対する我々のアプローチの正確性、堅牢性、限界を示している。
論文 参考訳(メタデータ) (2020-01-30T23:41:37Z)
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。