論文の概要: PCNN: A physics-constrained neural network for multiphase flows
- arxiv url: http://arxiv.org/abs/2109.08965v1
- Date: Sat, 18 Sep 2021 16:31:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:15:31.883552
- Title: PCNN: A physics-constrained neural network for multiphase flows
- Title（参考訳）: PCNN: 多相流のための物理制約ニューラルネットワーク
- Authors: Haoyang Zheng, Ziyang Huang, Guang Lin
- Abstract要約: 本研究では,多相流の逐次パターンと動きを予測する物理拘束型ニューラルネットワーク(PCNN)を開発した。
個々の位相を特定する順序パラメータを将来予測するために、条件付きニューラルプロセスと長い短期記憶(CNP-LSTM)を適用する。
CNP-LSTM)-(MCBOM)-(PICNP-LSTM)は、順序パラメータの不物理な振る舞いを回避し、収束を加速し、予測するデータが少ない。
- 参考スコア（独自算出の注目度）: 7.337247167823921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The present study develops a physics-constrained neural network (PCNN) to
predict sequential patterns and motions of multiphase flows (MPFs), which
includes strong interactions among various fluid phases. To predict the order
parameters, which locate individual phases, in the future time, the conditional
neural processes and long short-term memory (CNP-LSTM) are applied to quickly
infer the dynamics of the phases after encoding only a few observations. After
that, the multiphase consistent and conservative boundedness mapping algorithm
(MCBOM) is implemented to correct the order parameters predicted from CNP-LSTM
in order to strictly satisfy the mass conservation, the summation of the volume
fractions of the phases to be unity, the consistency of reduction, and the
boundedness of the order parameters. Then, the density of the fluid mixture is
updated from the corrected order parameters. Finally, the velocity in the
future time is predicted by a physics-informed CNP-LSTM (PICNP-LSTM) where
conservation of momentum is included in the loss function with the observed
density and velocity as the inputs. The proposed PCNN for MPFs sequentially
performs (CNP-LSTM)-(MCBOM)-(PICNP-LSTM), which avoids unphysical behaviors of
the order parameters, accelerates the convergence, and requires fewer data to
make predictions. Numerical experiments demonstrate that the proposed PCNN is
capable of predicting MPFs effectively.
- Abstract（参考訳）: 本研究では,様々な流体相間の強い相互作用を含む多相流の逐次パターンと運動を予測する物理拘束型ニューラルネットワーク(PCNN)を開発した。
将来、個々の位相を特定する順序パラメータを予測するために、条件付きニューラルプロセスと長い短期記憶(CNP-LSTM)を適用し、わずかな観測を符号化した後、位相のダイナミクスを迅速に推測する。
その後、CNP-LSTMから予測される秩序パラメータを補正するために、多相一貫した保守的境界性マッピングアルゴリズム(MCBOM)が実装され、質量保存を厳密に満たし、相の体積分数の和、縮退の整合、秩序パラメータの有界性の補正を行う。
そして、補正された順序パラメータから流体混合物の密度を更新する。
最後に, 物理インフォームドCNP-LSTM (PICNP-LSTM) を用いて, 観測された密度と速度を入力として損失関数に運動量の保存を含む将来速度を予測する。
CNP-LSTM)-(MCBOM)-(PICNP-LSTM)は、順序パラメータの不物理な振る舞いを回避し、収束を加速し、予測するデータが少ない。
数値実験により提案したPCNNはMPFを効果的に予測できることを示した。
関連論文リスト
- Enhancing Open Quantum Dynamics Simulations Using Neural Network-Based Non-Markovian Stochastic Schrödinger Equation Method [2.9413085575648235]
ニューラルネットワーク技術と非マルコフシュロディンガー方程式のシミュレーションを組み合わせる手法を提案する。
このアプローチは、特に低温での長時間シミュレーションに必要な軌道の数を著しく減少させる。
論文 参考訳（メタデータ） (2024-11-24T16:57:07Z) - Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。
しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。
ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
論文 参考訳（メタデータ） (2024-11-15T08:55:31Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳（メタデータ） (2022-12-01T17:36:30Z) - Model-Independent Learning of Quantum Phases of Matter with Quantum
Convolutional Neural Networks [1.9404281424219032]
量子畳み込みニューラルネットワーク(QCNN)は、物質ギャップ量子相の分類器として導入されている。
位相保存摂動下で変化しない順序パラメータを見つけるために,QCNNを訓練するためのモデルに依存しないプロトコルを提案する。
論文 参考訳（メタデータ） (2022-11-21T19:00:04Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Investigating Network Parameters in Neural-Network Quantum States [0.0]
ニューラルネットワークを用いた量子状態表現は強力なツールとして認識され始めている。
最も単純なニューラルネットワークの1つである制限ボルツマンマシン(RBM)を、1次元(1次元)逆場イジング(TFI)モデルの基底状態表現に適用する。
1次元TFIモデルにおける秩序相から乱相への量子相転移は, ニューラルネットワークパラメータの挙動に明らかに反映されている。
論文 参考訳（メタデータ） (2022-02-03T17:13:21Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳（メタデータ） (2021-12-10T17:32:15Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Quantum Long Short-Term Memory [3.675884635364471]
LSTM(Long Short-term memory)は、シーケンスおよび時間依存性データモデリングのためのリカレントニューラルネットワーク(RNN)である。
本稿では,QLSTMを疑似化したLSTMのハイブリッド量子古典モデルを提案する。
我々の研究は、ノイズの多い中間スケール量子(NISQ)デバイス上でのシーケンスモデリングのための機械学習アルゴリズムの実装への道を開いた。
論文 参考訳（メタデータ） (2020-09-03T16:41:09Z) - Hessian-Free High-Resolution Nesterov Acceleration for Sampling [55.498092486970364]
最適化のためのNesterovのAccelerated Gradient(NAG)は、有限のステップサイズを使用する場合の連続時間制限(ノイズなしの運動的ランゲヴィン)よりも優れたパフォーマンスを持つ。
本研究は, この現象のサンプリング法について検討し, 離散化により加速勾配に基づくMCMC法が得られる拡散過程を提案する。
論文 参考訳（メタデータ） (2020-06-16T15:07:37Z)
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。