論文の概要: Using Computational Intelligence for solving the Ornstein-Zernike equation

• arxiv url: http://arxiv.org/abs/2201.05089v2
• Date: Wed, 26 Jan 2022 23:31:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 21:18:09.771878
• Title: Using Computational Intelligence for solving the Ornstein-Zernike equation
• Title（参考訳）: 計算知能を用いたornstein-zernike方程式の解法
• Authors: Edwin Bedolla
• Abstract要約: この論文は、単純な液体に対するオルンシュタイン・ゼルニケ方程式の数値解を研究するための計算知能技術の利用を探求するものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The main goal of this thesis is to provide an exploration of the use of computational intelligence techniques to study the numerical solution of the Ornstein-Zernike equation for simple liquids. In particular, a continuous model of the hard sphere fluid is studied. There are two main proposals in this contribution. First, the use of neural networks as a way to parametrize closure relation when solving the Ornstein-Zernike equation. It is explicitly shown that in the case of the hard sphere fluid, the neural network approach seems to reduce to the so-called Hypernetted Chain closure. For the second proposal, we explore the fact that if more physical information is incorporated into the theoretical formalism, a better estimate can be obtained with the use of evolutionary optimization techniques. When choosing the modified Verlet closure relation, and leaving a couple of free parameters to be adjusted, the results are as good as those obtained from molecular simulations. The thesis is then closed with a brief summary of the main findings and outlooks on different ways to improve the proposals presented here.
• Abstract（参考訳）: この論文の主な目標は、単純な液体に対するornstein-zernike方程式の数値解を研究するための計算知能技術の利用を探求することである。 特に,硬質球状流体の連続モデルについて検討した。 この貢献には2つの主な提案がある。 まず、Ornstein-Zernike方程式の解法における閉包関係のパラメータ化のためのニューラルネットワークの利用。 硬い球状流体の場合、ニューラルネットワークのアプローチはいわゆるハイパーネット・チェーン・クロージャ(hypernetted chain closure)に還元される。 2つ目の提案では,より多くの物理情報が理論形式学に組み込まれれば,進化的最適化手法を用いることでより良い推定が得られることを示す。 修正されたVerletクロージャ関係を選択し、いくつかの自由パラメータを調整する際には、分子シミュレーションから得られるものと同等の結果が得られる。 論文は、主要な発見の簡単な要約と、ここで提示される提案を改善するさまざまな方法の展望で締めくくられる。

関連論文リスト

• Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
  PINNは2+1次元非線形偏微分方程式の渦解の研究に用いられる。 保存法則(cPINN)、初期プロファイルの変形、および識別の解像度を改善するための摩擦アプローチを考察する。
  論文  参考訳（メタデータ） (2024-10-23T08:29:13Z)
• Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
  高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。 我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
  論文  参考訳（メタデータ） (2024-06-05T17:59:22Z)
• Augmented neural forms with parametric boundary-matching operators for solving ordinary differential equations [0.0]
  本稿では,最適化可能な境界マッチングを持つ適切なニューラルフォームを体系的に構築するフォーマリズムを提案する。 ニューマン条件やロビン条件の問題をパラメトリックディリクレ条件の等価問題に変換する新しい手法を記述する。 提案手法は,一階および二階の常微分方程式と一階のシステムを含む多種多様な問題に対して実験を行った。
  論文  参考訳（メタデータ） (2024-04-30T11:10:34Z)
• Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
  emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。 本稿では,直感的に設計を記述し,設計選択について説明する。 本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
  論文  参考訳（メタデータ） (2023-10-31T16:15:13Z)
• Burgers' pinns with implicit euler transfer learning [0.0]
  バーガーズ方程式は、いくつかの現象の計算モデルにおいて確立されたテストケースである。 本稿では,バーガース方程式を解くために,暗黙のオイラー変換学習手法を用いた物理情報ニューラルネットワーク(PINN)の適用について述べる。
  論文  参考訳（メタデータ） (2023-10-23T20:15:45Z)
• Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery [77.34726150561087]
  進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。 提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
  論文  参考訳（メタデータ） (2023-06-29T15:37:19Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Computational characteristics of feedforward neural networks for solving a stiff differential equation [0.0]
  減衰系をモデル化する単純だが基本的な常微分方程式の解について検討する。 パラメータやメソッドに対して好適な選択を特定できることを示す。 全体として、ニューラルネットワークアプローチによる信頼性と正確な結果を得るために何ができるかを示すことで、この分野の現在の文献を拡張します。
  論文  参考訳（メタデータ） (2020-12-03T12:22:24Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。