論文の概要: Neural networks: solving the chemistry of the interstellar medium
- arxiv url: http://arxiv.org/abs/2211.15688v1
- Date: Mon, 28 Nov 2022 19:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 17:44:02.500315
- Title: Neural networks: solving the chemistry of the interstellar medium
- Title（参考訳）: ニューラルネットワーク:星間媒質の化学問題を解決する
- Authors: Lorenzo Branca, Andrea Pallottini
- Abstract要約: 非平衡化学は、天体物理学シミュレーションに含めるのが最も難しい課題の一つである。
PINNを動力とするシミュレーションは、天体物理学と宇宙論の問題において複雑な化学計算を解くのに便利な方法である。
- 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: Non-equilibrium chemistry is a key process in the study of the InterStellar
Medium (ISM), in particular the formation of molecular clouds and thus stars.
However, computationally it is among the most difficult tasks to include in
astrophysical simulations, because of the typically high (>40) number of
reactions, the short evolutionary timescales (about $10^4$ times less than the
ISM dynamical time) and the characteristic non-linearity and stiffness of the
associated Ordinary Differential Equations system (ODEs). In this proof of
concept work, we show that Physics Informed Neural Networks (PINN) are a viable
alternative to traditional ODE time integrators for stiff thermo-chemical
systems, i.e. up to molecular hydrogen formation (9 species and 46 reactions).
Testing different chemical networks in a wide range of densities ($-2< \log
n/{\rm cm}^{-3}< 3$) and temperatures ($1 < \log T/{\rm K}< 5$), we find that a
basic architecture can give a comfortable convergence only for simplified
chemical systems: to properly capture the sudden chemical and thermal
variations a Deep Galerkin Method is needed. Once trained ($\sim 10^3$ GPUhr),
the PINN well reproduces the strong non-linear nature of the solutions (errors
$\lesssim 10\%$) and can give speed-ups up to a factor of $\sim 200$ with
respect to traditional ODE solvers. Further, the latter have completion times
that vary by about $\sim 30\%$ for different initial $n$ and $T$, while the
PINN method gives negligible variations. Both the speed-up and the potential
improvement in load balancing imply that PINN-powered simulations are a very
palatable way to solve complex chemical calculation in astrophysical and
cosmological problems.
- Abstract（参考訳）: 非平衡化学は、インターステラー中間体(ISM)の研究において重要な過程であり、特に分子雲や星の形成である。
しかし、一般に(>40)反応の数が多いこと、短い進化の時間スケール(ISMの動的時間よりも約10^4$)、関連する正規微分方程式系(ODE)の特徴的な非線形性と剛性など、天体物理学シミュレーションに含めることが最も難しいタスクの1つである。
この概念研究の証明では、物理インフォームドニューラルネットワーク(PINN)が、硬質熱化学系のための従来のODE時間積分器、すなわち水素分子生成(9種46反応)の代替となることを示す。
2< \log n/{\rm cm}^{-3}<3$) と温度(1< \log T/{\rm K}<5$) で異なる化学ネットワークをテストすると、基本的なアーキテクチャは単純な化学システムにのみ快適な収束を与えることができ、Deep Galerkin法が必要とされる突然の化学的および熱的変動を適切に捉えることができる。
トレーニングされた(\sim 10^3$ GPUhr)PINNは、ソリューションの強い非線形特性(errors $\lesssim 10\%$)をうまく再現し、従来のODEソルバに対して最大$\sim 200$までスピードアップすることができる。
さらに、後者は初期$n$と$T$で約$\sim 30\%$の完了時間を持ち、PINNメソッドは無視できるバリエーションを提供する。
ロードバランシングのスピードアップと潜在的な改善は、ピン駆動のシミュレーションが天体物理学や宇宙論の問題における複雑な化学計算を解決する非常に好適な方法であることを暗示している。
関連論文リスト
- Emulating the interstellar medium chemistry with neural operators [0.0]
銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している
本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。
我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。
単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
論文 参考訳（メタデータ） (2024-02-19T19:00:01Z) - Learning stiff chemical kinetics using extended deep neural operators [0.0]
我々は, 強硬な化学動力学を解くために, ニューラル演算子に基づく代理モデルを開発した。
この研究は、強硬な化学動力学を解くために、神経オペレーターに基づく代理モデルを開発することを目的としている。
論文 参考訳（メタデータ） (2023-02-23T18:57:08Z) - 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) - Gibbs-Helmholtz Graph Neural Network: capturing the temperature
dependency of activity coefficients at infinite dilution [1.290382979353427]
我々は,Gibs-Helmholtz Graph Neural Network (GH-GNN) モデルを構築し,温度の異なる分子系の$ln gamma_ijinfty$を予測する。
本稿では,GH-GNNの性能を連続的かつ離散的に解析し,モデルの適用性領域と予測精度を示す。
論文 参考訳（メタデータ） (2022-12-02T14:25:58Z) - Studying chirality imbalance with quantum algorithms [62.997667081978825]
我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。
量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
論文 参考訳（メタデータ） (2022-10-06T17:12:33Z) - Collective dynamics Using Truncated Equations (CUT-E): simulating the
collective strong coupling regime with few-molecule models [0.0]
我々は置換対称性を利用して、大きな$N$に対するtextitab-initio量子力学シミュレーションの計算コストを大幅に削減する。
我々は、$k$余剰有効分子を加えると、$mathcalO(N-k)$とスケールする現象を考慮に入れるのに十分であることを示した。
論文 参考訳（メタデータ） (2022-09-11T22:49:29Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - Evolution of a Non-Hermitian Quantum Single-Molecule Junction at
Constant Temperature [62.997667081978825]
常温環境に埋め込まれた非エルミート量子系を記述する理論を提案する。
確率損失と熱ゆらぎの複合作用は分子接合の量子輸送を補助する。
論文 参考訳（メタデータ） (2021-01-21T14:33:34Z) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z)
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。