論文の概要: Residual Neural Networks for the Prediction of Planetary Collision
Outcomes
- arxiv url: http://arxiv.org/abs/2210.04248v1
- Date: Sun, 9 Oct 2022 12:42:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 15:59:27.018772
- Title: Residual Neural Networks for the Prediction of Planetary Collision
Outcomes
- Title（参考訳）: 惑星衝突の予測のための残留ニューラルネットワーク
- Authors: Philip M. Winter, Christoph Burger, Sebastian Lehner, Johannes Kofler,
Thomas I. Maindl, Christoph M. Sch\"afer
- Abstract要約: N体惑星形成シミュレーションにおいて,衝突の迅速かつ正確な処理を行う機械学習(ML)モデルを提案する。
我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。
我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
- 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: Fast and accurate treatment of collisions in the context of modern N-body
planet formation simulations remains a challenging task due to inherently
complex collision processes. We aim to tackle this problem with machine
learning (ML), in particular via residual neural networks. Our model is
motivated by the underlying physical processes of the data-generating process
and allows for flexible prediction of post-collision states. We demonstrate
that our model outperforms commonly used collision handling methods such as
perfect inelastic merging and feed-forward neural networks in both prediction
accuracy and out-of-distribution generalization. Our model outperforms the
current state of the art in 20/24 experiments. We provide a dataset that
consists of 10164 Smooth Particle Hydrodynamics (SPH) simulations of pairwise
planetary collisions. The dataset is specifically suited for ML research to
improve computational aspects for collision treatment and for studying
planetary collisions in general. We formulate the ML task as a multi-task
regression problem, allowing simple, yet efficient training of ML models for
collision treatment in an end-to-end manner. Our models can be easily
integrated into existing N-body frameworks and can be used within our chosen
parameter space of initial conditions, i.e. where similar-sized collisions
during late-stage terrestrial planet formation typically occur.
- Abstract（参考訳）: 現代のN体惑星形成シミュレーションの文脈における衝突の迅速かつ正確な処理は、本質的に複雑な衝突過程のために難しい課題である。
我々は、機械学習(ML)、特に残留ニューラルネットワークによるこの問題に対処することを目指している。
我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。
本モデルでは, 完全非弾性マージやフィードフォワードニューラルネットワークなどの衝突処理手法を, 予測精度と分布外一般化の両方で優れることを示した。
我々のモデルは20/24の実験で最先端の成果を上げている。
10164 Smooth Particle Hydrodynamics (SPH) の2対の惑星衝突をシミュレーションしたデータセットを提供する。
このデータセットは、衝突処理の計算面を改善するためのML研究や、一般に惑星衝突の研究に特に適している。
我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
我々のモデルは、既存のN体フレームワークに容易に統合することができ、選択された初期条件のパラメータ空間、すなわち、後期地球惑星形成における同様の大きさの衝突が通常起こる場合に使用できる。
関連論文リスト
- Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学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。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、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) - Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-14T23:53:25Z) - 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) - 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) - 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) - Simple lessons from complex learning: what a neural network model learns
about cosmic structure formation [7.270598539996841]
我々は、宇宙論的N体シミュレーションの完全な位相空間進化を予測するためにニューラルネットワークモデルを訓練する。
本モデルでは, 非線形スケールでの精度を, COLAに対して有意な改善を示す$ksim 1 MathrmMpc-1, h$で達成する。
論文 参考訳（メタデータ） (2022-06-09T15:41:09Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Inverse-Dirichlet Weighting Enables Reliable Training of Physics
Informed Neural Networks [2.580765958706854]
我々は、深層ニューラルネットワークのトレーニング中に、スケール不均衡を伴うマルチスケールダイナミクスから生じる障害モードを記述し、治療する。
PINNは、物理方程式モデルとデータとのシームレスな統合を可能にする、一般的な機械学習テンプレートである。
逐次トレーニングを用いた逆モデリングでは,逆ディリクレ重み付けがPINNを破滅的忘れから保護することがわかった。
論文 参考訳（メタデータ） (2021-07-02T10:01:37Z) - Scalable nonparametric Bayesian learning for heterogeneous and dynamic
velocity fields [8.744017403796406]
速度場データの不均一および動的パターンを学習するモデルを開発した。
複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
論文 参考訳（メタデータ） (2021-02-15T17:45:46Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。