論文の概要: Identification of high order closure terms from fully kinetic simulations using machine learning

• arxiv url: http://arxiv.org/abs/2110.09916v1
• Date: Tue, 19 Oct 2021 12:27:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 19:05:31.277332
• Title: Identification of high order closure terms from fully kinetic simulations using machine learning
• Title（参考訳）: 機械学習を用いた完全運動シミュレーションによる高次閉鎖項の同定
• Authors: Brecht Laperre, Jorge Amaya and Giovanni Lapenta
• Abstract要約: 2つの異なる機械学習モデルが、運動シミュレーションから抽出された高次モーメントをいかに合成できるかを示す。 モデルの精度と一般化能力を評価し,ベースラインモデルと比較した。 どちらのモデルも熱流束と圧力テンソルを非常によく捉えることができ、勾配昇降レグレッタは2モデルの中で最も安定である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulations of large-scale plasma systems are typically based on fluid approximations. However, these methods do not capture the small-scale physical processes available to fully kinetic models. Traditionally, empirical closure terms are used to express high order moments of the Boltzmann equation, e.g. the pressure tensor and heat flux. In this paper, we propose different closure terms extracted using machine learning techniques as an alternative. We show in this work how two different machine learning models, a multi-layer perceptron and a gradient boosting regressor, can synthesize higher-order moments extracted from a fully kinetic simulation. The accuracy of the models and their ability to generalize are evaluated and compared to a baseline model. When trained from more extreme simulations, the models showed better extrapolation in comparison to traditional simulations, indicating the importance of outliers. We learn that both models can capture heat flux and pressure tensor very well, with the gradient boosting regressor being the most stable of the two models in terms of the accuracy. The performance of the tested models in the regression task opens the way for new experiments in multi-scale modelling.
• Abstract（参考訳）: 大規模プラズマシステムのシミュレーションは典型的には流体近似に基づいている。 しかし、これらの手法は完全な運動論的モデルで利用可能な小さな物理過程を捉えない。 伝統的に、経験的閉包項はボルツマン方程式の高次モーメント、例えば圧力テンソルや熱流束を表現するために用いられる。 本稿では,機械学習手法を代替として抽出した異なる閉鎖用語を提案する。 本研究では,多層パーセプトロンと勾配昇降レグレッセプタという2つの異なる機械学習モデルを用いて,完全運動シミュレーションから抽出した高次モーメントを合成する方法を示す。 モデルの精度と一般化能力を評価し,ベースラインモデルと比較した。 より極端なシミュレーションからトレーニングすると、モデルは従来のシミュレーションと比べてより良い外挿を示し、外挿の重要性を示した。 どちらのモデルも熱流束と圧力テンソルを非常によく捉えることができ、勾配昇圧レグレッサーは精度の面では2つのモデルの中で最も安定していることが分かっている。 回帰タスクにおけるテストされたモデルの性能は、マルチスケールモデリングにおける新しい実験の道を開く。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Deep generative modelling of canonical ensemble with differentiable thermal properties [0.9421843976231371]
  標準アンサンブルの温度の異なる変分モデルを提案する。 深部生成モデルを用いて、連続した温度範囲で自由エネルギーを推定し、同時に最小化する。 トレーニングプロセスはデータセットを必要とせず、任意の明示的な密度生成モデルで動作する。
  論文  参考訳（メタデータ） (2024-04-29T03:41:49Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• Analysis of Interpolating Regression Models and the Double Descent Phenomenon [3.883460584034765]
  ノイズの多いトレーニングデータを補間するモデルは、一般化に乏しいと一般的に推測されている。 得られた最良のモデルは過度にパラメータ化され、テストエラーはモデル順序が増加するにつれて二重降下挙動を示す。 回帰行列の最小特異値の振舞いに基づいて、テスト誤差のピーク位置と二重降下形状をモデル順序の関数として説明する。
  論文  参考訳（メタデータ） (2023-04-17T09:44:33Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Discovery of sparse hysteresis models for piezoelectric materials [1.3669389861593737]
  本稿では, スパース・レグレッション法を用いて圧電材料をモデル化する手法を提案する。 提案したアプローチは、従来の回帰ベースのニューラルネットワーク手法と比較され、その効率性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-02-10T15:21:36Z)
• Automated Dissipation Control for Turbulence Simulation with Shell Models [1.675857332621569]
  機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。 本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。 本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T15:03:52Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)
• 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。