論文の概要: Unsupervised Discovery of Inertial-Fusion Plasma Physics using Differentiable Kinetic Simulations and a Maximum Entropy Loss Function

• arxiv url: http://arxiv.org/abs/2206.01637v2
• Date: Wed, 27 Jul 2022 22:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 20:17:21.441074
• Title: Unsupervised Discovery of Inertial-Fusion Plasma Physics using Differentiable Kinetic Simulations and a Maximum Entropy Loss Function
• Title（参考訳）: 微分力学シミュレーションと最大エントロピー損失関数を用いた慣性融合プラズマ物理学の教師なし発見
• Authors: Archis S. Joglekar, Alexander G. R. Thomas
• Abstract要約: プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。 我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plasma supports collective modes and particle-wave interactions that leads to complex behavior in inertial fusion energy applications. While plasma can sometimes be modeled as a charged fluid, a kinetic description is useful towards the study of nonlinear effects in the higher dimensional momentum-position phase-space that describes the full complexity of plasma dynamics. We create a differentiable solver for the plasma kinetics 3D partial-differential-equation and introduce a domain-specific objective function. Using this framework, we perform gradient-based optimization of neural networks that provide forcing function parameters to the differentiable solver given a set of initial conditions. We apply this to an inertial-fusion relevant configuration and find that the optimization process exploits a novel physical effect that has previously remained undiscovered.
• Abstract（参考訳）: プラズマは集合モードと粒子-波相互作用をサポートし、慣性核融合エネルギー応用における複雑な挙動をもたらす。 プラズマは時々荷電流体としてモデル化されるが、プラズマ力学の完全複雑性を記述する高次元運動量配置位相空間における非線形効果の研究には、運動論的記述が有用である。 プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。 このフレームワークを用いてニューラルネットワークの勾配に基づく最適化を行い、初期条件のセットを与えられた微分可能解法に強制関数パラメータを提供する。 これを慣性核融合関連構成に適用し,これまで未発見であった新しい物理効果を最適化プロセスが活用していることを見いだす。

関連論文リスト

• Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
  本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。 データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Application of Neural Ordinary Differential Equations for ITER Burning Plasma Dynamics [0.0]
  トカマクの燃焼プラズマのダイナミクスは、制御熱核融合の進行に不可欠である。 本研究では, ITER重水素トリチウム(D-T)プラズマの複雑なエネルギー伝達過程をシミュレートするためにNeuralPlasmaODEを導入する。
  論文  参考訳（メタデータ） (2024-08-26T16:47:20Z)
• Application of Neural Ordinary Differential Equations for Tokamak Plasma Dynamics Analysis [0.0]
  本研究ではニューラル正規微分方程式(ニューラルODE)を用いたマルチリージョンマルチタイムトランスポートモデルを提案する。 本手法は,DIII-D からカマク実験データへの拡散係数の数値的導出にニューラルネットワークを利用する。 これらの領域は異なるノードとして概念化され、効率的なトカマク操作に必要な放射線および輸送過程の重要な時間スケールを捉えている。
  論文  参考訳（メタデータ） (2024-03-03T22:55:39Z)
• Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance Dynamics in Tokamak Fusion Reactors [0.0]
  我々は、Alcator C-Mod核融合炉のデータに基づいて、物理モデルとニューラルネットワークモデルの両方を訓練する。 物理に基づく方程式をニューラルODEと組み合わせたモデルは、既存の物理動機付きODEと純粋なニューラルODEモデルの両方よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-30T23:25:54Z)
• Learning the dynamics of a one-dimensional plasma model with graph neural networks [0.0]
  本モデルでは, 1次元プラズマモデルの動的プラズマ力学を学習する。 本研究は, 実時間, 保存法則, キー物理量の時間的変化の観点から, 元のプラズマモデルと性能を比較した。
  論文  参考訳（メタデータ） (2023-10-26T17:58:12Z)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• Clifford Neural Layers for PDE Modeling [61.07764203014727]
  偏微分方程式 (Partial differential equation, PDE) は、物理過程のシミュレーションを、時間とともに相互作用し、共進化するスカラー場やベクトル場として記述するために、科学や工学で広く用いられる。 現在のメソッドは、しばしば相関する異なるフィールドと内部コンポーネントの関係を明示的に考慮していない。 本稿では, Clifford convolutions や Clifford Fourier transforms とともに, 深層学習におけるマルチベクトル表現の活用について述べる。 結果として生じるクリフォード神経層は普遍的に適用可能であり、流体力学、天気予報、一般の物理系のモデリングで直接使用される。
  論文  参考訳（メタデータ） (2022-09-08T17:35:30Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Differentiable Implicit Soft-Body Physics [12.19631263169426]
  本稿では,ニューラルネットワークを微分可能な層として構成した,微分可能なソフトボディ物理シミュレータを提案する。 状態遷移を定義するために明示的なフォワードモデルを使用する他の微分可能な物理アプローチとは対照的に、関数の最小化によって定義される暗黙的な状態遷移に焦点を当てる。
  論文  参考訳（メタデータ） (2021-02-11T01:06:54Z)
• Method of spectral Green functions in driven open quantum dynamics [77.34726150561087]
  オープン量子力学のシミュレーションのために,スペクトルグリーン関数に基づく新しい手法を提案する。 この形式主義は、場の量子論におけるグリーン関数の使用と顕著な類似性を示している。 本手法は,完全マスター方程式の解法に基づくシミュレーションと比較して計算コストを劇的に削減する。
  論文  参考訳（メタデータ） (2020-06-04T09:41:08Z)

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。