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
- Enhancing Data-Assimilation in CFD using Graph Neural Networks [0.0]
本稿では,グラフニューラルネットワーク(GNN)モデルによる随伴最適化に基づく,流体力学に応用されたデータ同化のための新しい機械学習手法を提案する。
我々は,有限要素法(FEM)の解法に基づく直接数値シミュレーションを用いて,GNNモデルと解法の間の2次元のインターフェースにより,GNNの予測をFEM解析の処理後ステップに組み込むことができることを示す。
論文 参考訳(メタデータ) (2023-11-29T19:11:40Z) - 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) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - 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) - Deep Learning for the Benes Filter [91.3755431537592]
本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。
ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
論文 参考訳(メタデータ) (2022-03-09T14:08:38Z) - q-RBFNN:A Quantum Calculus-based RBF Neural Network [31.14412266444568]
放射状基底関数ニューラルネットワーク(RBFNN)に対する勾配降下に基づく学習手法を提案する。
提案手法は、ジャクソン微分(Jackson derivative)とも呼ばれるq勾配に基づく。
提案した$q$-RBFNNは最小二乗アルゴリズムの文脈における収束性能について解析する。
論文 参考訳(メタデータ) (2021-06-02T08:27:12Z) - 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。