論文の概要: Hybrid Physical-Neural ODEs for Fast N-body Simulations
- arxiv url: http://arxiv.org/abs/2207.05509v1
- Date: Tue, 12 Jul 2022 13:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 19:24:29.401603
- Title: Hybrid Physical-Neural ODEs for Fast N-body Simulations
- Title（参考訳）: 高速n体シミュレーションのためのハイブリッド物理ニューラルode
- Authors: Denise Lanzieri, Fran\c{c}ois Lanusse and Jean-Luc Starck
- Abstract要約: 我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。
提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
- 参考スコア（独自算出の注目度）: 0.22419496088582863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a new scheme to compensate for the small-scales approximations
resulting from Particle-Mesh (PM) schemes for cosmological N-body simulations.
This kind of simulations are fast and low computational cost realizations of
the large scale structures, but lack resolution on small scales. To improve
their accuracy, we introduce an additional effective force within the
differential equations of the simulation, parameterized by a Fourier-space
Neural Network acting on the PM-estimated gravitational potential. We compare
the results for the matter power spectrum obtained to the ones obtained by the
PGD scheme (Potential gradient descent scheme). We notice a similar improvement
in term of power spectrum, but we find that our approach outperforms PGD for
the cross-correlation coefficients, and is more robust to changes in simulation
settings (different resolutions, different cosmologies).
- Abstract（参考訳）: 宇宙論的なN体シミュレーションのためのパーティクル・メシュ法(PM)による小規模近似を補正する新しい手法を提案する。
この種のシミュレーションは、大規模構造の高速で低い計算コストを実現しているが、小さなスケールでは分解能に欠ける。
その精度を向上させるために,PM推定重力ポテンシャルに作用するフーリエ空間ニューラルネットワークによりパラメータ化されるシミュレーションの微分方程式に,さらなる有効力を導入する。
PGD法(Potential gradient descent scheme)により得られた物質パワースペクトルの結果と比較した。
パワースペクトルの観点でも同様な改善が見られたが、我々のアプローチは相互相関係数のpgdよりも優れており、シミュレーション設定の変化(異なる解像度、異なる宇宙論)に対してより堅牢であることがわかった。
関連論文リスト
- Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization [9.364019847856714]
高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。
本稿では,最適化された部分空間マッピングの探索手法を提案する。
準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-09-05T12:56:03Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Fully Convolutional Generative Machine Learning Method for Accelerating
Non-Equilibrium Greens Function Simulations [0.0879626117219674]
本研究は,機械学習とデバイスモデリングシミュレーションを組み合わせた新しいシミュレーション手法について述べる。
我々は新しいシミュレーション手法ML-NEGFを命名し、NESSと呼ばれる社内シミュレータに実装した。
論文 参考訳（メタデータ） (2023-09-17T20:43:54Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳（メタデータ） (2022-07-12T16:08:04Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - REMuS-GNN: A Rotation-Equivariant Model for Simulating Continuum
Dynamics [0.0]
本稿では,連続体力学系をシミュレーションする回転同変マルチスケールモデルREMuS-GNNを紹介する。
楕円円柱まわりの非圧縮性流れについて,本手法の実証と評価を行った。
論文 参考訳（メタデータ） (2022-05-05T16:20:37Z) - Physics informed machine learning with Smoothed Particle Hydrodynamics:
Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。
Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
論文 参考訳（メタデータ） (2021-10-25T22:57:40Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z) - Augmenting Differentiable Simulators with Neural Networks to Close the
Sim2Real Gap [15.1962264049463]
本稿では,ニューラルネットワークを用いた解析モデルの任意の点における拡張を可能にする,剛体力学の微分可能なシミュレーションアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-07-12T17:27:11Z)
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。