論文の概要: Data-driven modeling of Landau damping by physics-informed neural
networks
- arxiv url: http://arxiv.org/abs/2211.01021v3
- Date: Fri, 4 Aug 2023 14:34:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 16:30:35.023035
- Title: Data-driven modeling of Landau damping by physics-informed neural
networks
- Title(参考訳): 物理形ニューラルネットワークによるランドー減衰のデータ駆動モデリング
- Authors: Yilan Qin, Jiayu Ma, Mingle Jiang, Chuanfei Dong, Haiyang Fu, Liang
Wang, Wenjie Cheng, and Yaqiu Jin
- Abstract要約: 機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
- 参考スコア(独自算出の注目度): 4.728411962159049
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Kinetic approaches are generally accurate in dealing with microscale plasma
physics problems but are computationally expensive for large-scale or
multiscale systems. One of the long-standing problems in plasma physics is the
integration of kinetic physics into fluid models, which is often achieved
through sophisticated analytical closure terms. In this paper, we successfully
construct a multi-moment fluid model with an implicit fluid closure included in
the neural network using machine learning. The multi-moment fluid model is
trained with a small fraction of sparsely sampled data from kinetic simulations
of Landau damping, using the physics-informed neural network (PINN) and the
gradient-enhanced physics-informed neural network (gPINN). The multi-moment
fluid model constructed using either PINN or gPINN reproduces the time
evolution of the electric field energy, including its damping rate, and the
plasma dynamics from the kinetic simulations. In addition, we introduce a
variant of the gPINN architecture, namely, gPINN$p$ to capture the Landau
damping process. Instead of including the gradients of all the equation
residuals, gPINN$p$ only adds the gradient of the pressure equation residual as
one additional constraint. Among the three approaches, the gPINN$p$-constructed
multi-moment fluid model offers the most accurate results. This work sheds
light on the accurate and efficient modeling of large-scale systems, which can
be extended to complex multiscale laboratory, space, and astrophysical plasma
physics problems.
- Abstract(参考訳): 運動学的アプローチは一般にマイクロスケールプラズマ物理学の問題を扱うのに正確であるが、大規模システムやマルチスケールシステムでは計算コストがかかる。
プラズマ物理学における長年の問題の1つは、運動物理学を流体モデルに統合することである。
本稿では,機械学習を用いてニューラルネットワークに含まれる暗黙の流体閉鎖を伴うマルチモーメント流体モデルの構築に成功した。
マルチモーメント流体モデルは、物理インフォームドニューラルネットワーク(PINN)と勾配エンホールド物理インフォームドニューラルネットワーク(gPINN)を用いて、ランダウ減衰の運動シミュレーションから少量のサンプルデータを用いて訓練される。
PINNまたはgPINNを用いて構築した多モーメント流体モデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
さらに,GPINNアーキテクチャの変種であるgPINN$p$を導入し,ランドウ減衰過程を捉える。
すべての方程式残差の勾配を含める代わりに、gPINN$p$は圧力方程式残差の勾配を1つの制約として加えるだけである。
3つのアプローチのうち、gPINN$p$構成マルチモーメント流体モデルが最も正確な結果を提供する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張できる大規模システムの正確かつ効率的なモデリングに光を当てている。
関連論文リスト
- Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。
その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
論文 参考訳(メタデータ) (2024-10-05T10:32:51Z) - 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) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳(メタデータ) (2023-04-21T20:49:29Z) - 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) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Data-driven, multi-moment fluid modeling of Landau damping [6.456946924438425]
プラズマ系の流体偏微分方程式(PDE)を学習するために,ディープラーニングアーキテクチャを適用した。
学習した多モーメント流体PDEはランダウ減衰などの運動効果を取り入れることを示した。
論文 参考訳(メタデータ) (2022-09-10T19:06:12Z) - 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) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳(メタデータ) (2021-04-30T02:14:00Z) - Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。
パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文 参考訳(メタデータ) (2020-02-24T21:51:53Z) - 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。