論文の概要: A Neural Network Subgrid Model of the Early Stages of Planet Formation

• arxiv url: http://arxiv.org/abs/2211.04160v1
• Date: Tue, 8 Nov 2022 10:59:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 17:13:41.249089
• Title: A Neural Network Subgrid Model of the Early Stages of Planet Formation
• Title（参考訳）: 惑星形成初期のニューラルネットワークサブグリッドモデル
• Authors: Thomas Pfeil, Miles Cranmer, Shirley Ho, Philip J. Armitage, Tilman Birnstiel, Hubert Klahr
• Abstract要約: 本研究では,高分解能数値シミュレーションから得られたデータに基づいて,高速かつ正確な集塵モデルを提案する。 提案モデルでは, 従来, 類似の計算効率を持つ他の粉塵凝集処方令では処理不可能であった粉塵凝固プロセスの詳細を把握した。
• 参考スコア（独自算出の注目度）: 1.8641315013048296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planet formation is a multi-scale process in which the coagulation of $\mathrm{\mu m}$-sized dust grains in protoplanetary disks is strongly influenced by the hydrodynamic processes on scales of astronomical units ($\approx 1.5\times 10^8 \,\mathrm{km}$). Studies are therefore dependent on subgrid models to emulate the micro physics of dust coagulation on top of a large scale hydrodynamic simulation. Numerical simulations which include the relevant physical effects are complex and computationally expensive. Here, we present a fast and accurate learned effective model for dust coagulation, trained on data from high resolution numerical coagulation simulations. Our model captures details of the dust coagulation process that were so far not tractable with other dust coagulation prescriptions with similar computational efficiency.
• Abstract（参考訳）: 惑星形成は、原始惑星円盤における$\mathrm {\mu m}$サイズの塵粒の凝集が、天文単位のスケールでの流体力学的プロセス(\approx 1.5\times 10^8 \,\mathrm{km}$)に強く影響されるマルチスケールプロセスである。 したがって、大規模な流体力学シミュレーションの上に塵凝固のミクロ物理をエミュレートするためのサブグリッドモデルに依存する。 関連する物理効果を含む数値シミュレーションは複雑で計算コストが高い。 本稿では,高分解能数値凝固シミュレーションから得られたデータに基づいて,高速かつ正確な集塵モデルを提案する。 本モデルでは, 計算効率が類似した他のダスト凝固処方薬と相容れないダスト凝固過程の詳細を捉えた。

関連論文リスト

• 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)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• Particle clustering in turbulence: Prediction of spatial and statistical properties with deep learning [6.91821181311687]
  等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。 我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。 以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-05T15:46:28Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks [4.444748822792469]
  学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。 非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
  論文  参考訳（メタデータ） (2022-04-21T18:07:08Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Multi-Output Random Forest Regression to Emulate the Earliest Stages of Planet Formation [0.1657441317977376]
  我々は、より高速に近似するシステムを設計するために、機械学習のアプローチを取ります。 ブリュート力シミュレーションデータに基づく多出力ランダムフォレスト回帰モデルを開発した。 その結果,ランダムフォレストモデルがブルト力シミュレーション結果に対して高精度な予測を生成できることが示唆された。
  論文  参考訳（メタデータ） (2021-04-26T19:51:40Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Learning effective physical laws for generating cosmological hydrodynamics with Lagrangian Deep Learning [7.6146285961466]
  宇宙力学シミュレーションの出力を学習するために,ラグランジアン深層学習を提案する。 このモデルは、観測可能な粒子を記述したラグランジアン変位の層を用いて、有効な物理法則を学習する。 学習されたパラメータの総数はオーダー10のみであり、有効理論パラメータと見なすことができる。
  論文  参考訳（メタデータ） (2020-10-06T18:00:00Z)
• Modeling nanoconfinement effects using active learning [1.58501955991843]
  シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。 本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
  論文  参考訳（メタデータ） (2020-05-06T04:01:53Z)
• 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。