論文の概要: Solving the Discretised Neutron Diffusion Equations using Neural
Networks: Applications in neutron transport
- arxiv url: http://arxiv.org/abs/2301.09991v1
- Date: Tue, 24 Jan 2023 13:37:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 13:33:10.302577
- Title: Solving the Discretised Neutron Diffusion Equations using Neural
Networks: Applications in neutron transport
- Title(参考訳): ニューラルネットワークを用いた離散中性子拡散方程式の解法:中性子輸送への応用
- Authors: T. R. F. Phillips, C. E. Heaney, C. Boyang, A. G. Buchan, C. C. Pain
- Abstract要約: AIライブラリーを用いてボルツマン輸送方程式を解く。
これが魅力的な理由は、AIライブラリ内で高度に最適化されたソフトウェアを使用できるからだ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we solve the Boltzmann transport equation using AI libraries.
The reason why this is attractive is because it enables one to use the highly
optimised software within AI libraries, enabling one to run on different
computer architectures and enables one to tap into the vast quantity of
community based software that has been developed for AI and ML applications
e.g. mixed arithmetic precision or model parallelism. Here we take the first
steps towards developing this approach for the Boltzmann transport equation and
develop the necessary methods in order to do that effectively. This includes:
1) A space-angle multigrid solution method that can extract the level of
parallelism necessary to run efficiently on GPUs or new AI computers. 2) A new
Convolutional Finite Element Method (ConvFEM) that greatly simplifies the
implementation of high order finite elements (quadratic to quintic, say). 3) A
new non-linear Petrov-Galerkin method that introduces dissipation
anisotropically.
- Abstract(参考訳): 本稿では,AIライブラリを用いたボルツマン輸送方程式を解く。
これが魅力的な理由は、AIライブラリ内で高度に最適化されたソフトウェアを使用することができ、異なるコンピュータアーキテクチャ上で実行でき、AIとMLアプリケーションのために開発された膨大な数のコミュニティベースのソフトウェア(例えば混合算術精度やモデル並列性)を利用できるためである。
ここではボルツマン輸送方程式のこのアプローチ開発に向けての第一歩を踏み出し、これを効果的に行うために必要な方法を開発する。
以下を含む。
1)GPUや新しいAIコンピュータ上で効率的に動作させるのに必要な並列性のレベルを抽出できる空間角多重グリッド解法。
2) 高階有限要素(例えばクインティックに量子)の実装を大幅に単純化する新しい畳み込み有限要素法(convfem)。
3) 散逸を異方的に導入する新しい非線形ペトロフ・ガレルキン法
関連論文リスト
- Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩について概説する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Message Passing Neural PDE Solvers [60.77761603258397]
偏微分方程式(PDE)の数値解は困難であり、これまでの1世紀にわたる研究に繋がった。
近年、ニューラルネットワークと数値のハイブリッド・ソルバの構築が推進されており、これは現代のエンドツーエンドの学習システムへのトレンドを後押ししている。
この研究では、すべてのコンポーネントがニューラルメッセージパッシングに基づいて、これらの特性を満たす解決器を構築します。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳(メタデータ) (2021-10-13T19:36:50Z) - SHINE: SHaring the INverse Estimate from the forward pass for bi-level
optimization and implicit models [15.541264326378366]
近年,深層ニューラルネットワークの深度を高める手法として暗黙の深度学習が登場している。
トレーニングは双レベル問題として実行され、その計算複雑性は巨大なヤコビ行列の反復反転によって部分的に駆動される。
本稿では,この計算ボトルネックに対処する新たな手法を提案する。
論文 参考訳(メタデータ) (2021-06-01T15:07:34Z) - Recurrent Localization Networks applied to the Lippmann-Schwinger
Equation [0.0]
一般化Lippmann-Schwinger (L-S) 型の方程式を解くための新しい機械学習手法を提案する。
学習に基づくループアンロールの一部として、リカレント畳み込みニューラルネットワークを用いて、関心のある分野の制御方程式を反復的に解く。
本研究では, 局所的(ボクセルレベル)弾性ひずみの予測において, 優れた精度が得られる2相弾性局在問題に対する学習手法を示す。
論文 参考訳(メタデータ) (2021-01-29T20:54:17Z) - Hybrid Variance-Reduced SGD Algorithms For Nonconvex-Concave Minimax
Problems [26.24895953952318]
我々は,非ガンスミニマックス問題のクラスを解くアルゴリズムを開発した。
また、単一または2つのミニバッチ誘導体でも機能する。
論文 参考訳(メタデータ) (2020-06-27T03:05:18Z) - Physarum Powered Differentiable Linear Programming Layers and
Applications [48.77235931652611]
一般線形プログラミング問題に対する効率的かつ微分可能な解法を提案する。
本稿では,ビデオセグメンテーションタスクとメタラーニングにおける問題解決手法について述べる。
論文 参考訳(メタデータ) (2020-04-30T01:50:37Z) - Accelerating Feedforward Computation via Parallel Nonlinear Equation
Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。
本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。
提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文 参考訳(メタデータ) (2020-02-10T10:11:31Z)
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。