Fugu-MT 論文翻訳(概要): Physics-informed neural network method for modelling beam-wall interactions

論文の概要: Physics-informed neural network method for modelling beam-wall interactions

arxiv url: http://arxiv.org/abs/2112.11323v1
Date: Tue, 21 Dec 2021 16:15:05 GMT
ステータス: 処理完了
システム内更新日: 2021-12-22 15:32:16.494851
Title: Physics-informed neural network method for modelling beam-wall interactions
Title（参考訳）: 物理インフォームドニューラルネットワークによる梁-壁相互作用のモデル化
Authors: Kazuhiro Fujita
Abstract要約: 粒子加速器におけるビームウォール相互作用をモデル化するためのメッシュフリーアプローチを提案する。本手法の鍵となる考え方は, 粒子ビームを含む偏微分方程式と表面インピーダンスの概念の集合に対する解の代用として, ディープニューラルネットワークを使用することである。
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: A mesh-free approach for modelling beam-wall interactions in particle accelerators is proposed. The key idea of our method is to use a deep neural network as a surrogate for the solution to a set of partial differential equations involving the particle beam, and the surface impedance concept. The proposed approach is applied to the coupling impedance of an accelerator vacuum chamber with thin conductive coating, and also verified in comparison with the existing analytical formula.
Abstract（参考訳）: 粒子加速器におけるビームウォール相互作用をモデル化するためのメッシュフリーアプローチを提案する。本手法の鍵となる考え方は, 粒子ビームを含む偏微分方程式と表面インピーダンスの概念の集合に対する解の代用として, ディープニューラルネットワークを使用することである。提案手法は, 薄導電性コーティングを用いた加速器真空室のカップリングインピーダンスに適用し, 既存の解析式との比較で検証した。

関連論文リスト

Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文参考訳（メタデータ） (2024-08-20T19:06:02Z)
A score-based particle method for homogeneous Landau equation [7.600098227248821]
プラズマ中のランダウ方程式を解くための新しいスコアベース粒子法を提案する。我々の主要な革新は、この非線形性がスコア関数の形式にあることを認識することである。我々は, 近似と真の解とのKL分散を, スコアマッチング損失によって効果的に制御できることを証明し, 理論的推定を行った。
論文参考訳（メタデータ） (2024-05-08T16:22:47Z)
End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文参考訳（メタデータ） (2023-05-17T17:43:10Z)
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)
Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
論文参考訳（メタデータ） (2022-11-09T00:18:01Z)
Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文参考訳（メタデータ） (2022-02-15T19:00:09Z)
Hybrid FEM-NN models: Combining artificial neural networks with the finite element method [0.0]
本稿では, ニューラルネットワークと物理原理制約を組み合わせた偏微分方程式(PDE)の手法を提案する。このアプローチでは、PDEを損失関数の一部とする最適化の強い制約として尊重しながら、ニューラルネットワークをトレーニングすることができる。本稿では,ディープニューラルネットワークを用いた複雑な心筋モデル問題の解法を示す。
論文参考訳（メタデータ） (2021-01-04T13:36:06Z)
Solving high-dimensional Hamilton-Jacobi-Bellman PDEs using neural networks: perspectives from the theory of controlled diffusions and measures on path space [3.1219977244201056]
近年の機械学習による高次元PDEへのアプローチに基づいて,反復拡散手法の可能性について検討する。本研究では,経路測度間の相違に基づく基本的枠組みを構築し,様々な既存手法を包含する。提案手法は,高次元および準安定な数値例で実証される。
論文参考訳（メタデータ） (2020-05-11T20:14:02Z)
Model Reduction and Neural Networks for Parametric PDEs [9.405458160620533]
無限次元空間間の入出力マップをデータ駆動で近似するフレームワークを開発した。提案されたアプローチは、最近のニューラルネットワークとディープラーニングの成功に動機づけられている。入力出力マップのクラスと、入力に対する適切な選択された確率測度について、提案手法の収束性を証明する。
論文参考訳（メタデータ） (2020-05-07T00:09:27Z)
Interpolation Technique to Speed Up Gradients Propagation in Neural ODEs [71.26657499537366]
本稿では,ニューラルネットワークモデルにおける勾配の効率的な近似法を提案する。我々は、分類、密度推定、推論近似タスクにおいて、ニューラルODEをトレーニングするリバースダイナミック手法と比較する。
論文参考訳（メタデータ） (2020-03-11T13:15:57Z)
A Derivative-Free Method for Solving Elliptic Partial Differential Equations with Deep Neural Networks [2.578242050187029]
楕円型偏微分方程式のクラスを解くためのディープニューラルネットワークに基づく手法を提案する。我々は、PDEの確率的表現の指導の下で訓練されたディープニューラルネットワークを用いて、PDEの解を近似する。ブラウンのウォーカーがドメインを探索するにつれ、ディープニューラルネットワークは強化学習の形式で反復的に訓練される。
論文参考訳（メタデータ） (2020-01-17T03:29:24Z)

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。