論文の概要: 3D-Spatiotemporal Forecasting the Expansion of Supernova Shells Using
Deep Learning toward High-Resolution Galaxy Simulations
- arxiv url: http://arxiv.org/abs/2302.00026v1
- Date: Tue, 31 Jan 2023 19:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 15:05:13.795002
- Title: 3D-Spatiotemporal Forecasting the Expansion of Supernova Shells Using
Deep Learning toward High-Resolution Galaxy Simulations
- Title（参考訳）: 高分解能銀河シミュレーションに向けた深層学習による超新星シェル膨張の3次元時空間予測
- Authors: Keiya Hirashima, Kana Moriwaki, Michiko S. Fujii, Yutaka Hirai,
Takayuki R. Saitoh, Junichiro Makino
- Abstract要約: 少数の短スケール領域に対する小さな統合の時間ステップは、高分解能銀河シミュレーションのボトルネックである。
超新星爆発後の殻膨張を予測するための深層学習モデルを開発した。
その結果, 対象粒子の95%以上を同定できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Small integration timesteps for a small fraction of short-timescale regions
are bottlenecks for high-resolution galaxy simulations using massively parallel
computing. This is an urgent issue that needs to be resolved for future
higher-resolution galaxy simulations. One possible solution is to use an
(approximate) Hamiltonian splitting method, in which only regions requiring
small timesteps are integrated with small timesteps, separated from the entire
galaxy. In particular, gas affected by supernova (SN) explosions often requires
the smallest timestep in such a simulation. To apply the Hamiltonian splitting
method to the particles affected by SNe in a smoothed-particle hydrodynamics
simulation, we need to identify the regions where such SN-affected particles
reside during the subsequent global step (the integration timestep for the
entire galaxy) in advance. In this paper, we developed a deep learning model to
predict a shell expansion after a SN explosion and an image processing
algorithm to identify SN-affected particles in the predicted regions. We found
that we can identify more than 95 per cent of the target particles with our
method, which is a better identification rate than using an analytic approach
with the Sedov-Taylor solution. Combined with the Hamiltonian splitting method,
our particle selection method using deep learning will improve the performance
of galaxy simulations with extremely high resolution.
- Abstract（参考訳）: 短い時間領域のごく一部に対する小さな積分時間ステップは、超並列計算を用いた高解像度銀河シミュレーションのボトルネックである。
これは、将来の高解像度銀河シミュレーションのために解決する必要がある緊急問題である。
可能な1つの解決策は(ほぼ)ハミルトニアン分割法で、小さな時間ステップを必要とする領域のみを銀河全体から分離した小さな時間ステップに統合する。
特に、超新星爆発(SN)によるガスは、このようなシミュレーションでは最小の時間ステップを必要とすることが多い。
滑らかな粒子流体力学シミュレーションにおいて,SNeの影響を受ける粒子にハミルトニアン分割法を適用するためには,次の大域的な段階(銀河全体の積分時間ステップ)の間に,これらのSNの影響のある粒子が存在する領域を特定する必要がある。
本稿では,sn爆発後のシェル展開を予測するディープラーニングモデルと,予測領域におけるsn影響を受ける粒子を識別する画像処理アルゴリズムを開発した。
その結果,Sedov-Taylor 溶液を用いた解析法よりも高い同定率で,対象粒子の95%以上を同定できることがわかった。
ハミルトン分割法と組み合わさって,深層学習を用いた粒子選択法は,銀河シミュレーションの性能を極めて高分解能で向上させる。
関連論文リスト
- ASURA-FDPS-ML: Star-by-star Galaxy Simulations Accelerated by Surrogate Modeling for Supernova Feedback [0.7324709841516586]
代理モデルによって加速される新しい高分解能銀河シミュレーションを導入し、計算コストを約75%削減する。
約8太陽質量のゼロ年代主系列質量を持つ質量級の恒星は、核崩壊型超新星(CCSNe)として爆発する
計算コストを削減し,物理スケールギャップを効果的に橋渡しし,マルチスケールシミュレーションを可能にする。
論文 参考訳（メタデータ） (2024-10-30T18:00:02Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
CHARMは、モックハローカタログを作成するための新しい方法である。
モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文 参考訳（メタデータ） (2024-09-13T18:00:06Z) - Surrogate Modeling for Computationally Expensive Simulations of
Supernovae in High-Resolution Galaxy Simulations [0.7927502566022343]
我々は,超新星が周囲のガスに与える影響を予測するため,機械学習とギブスサンプリングを組み合わせた手法を開発した。
本手法は、SNサブグリッドモデルを置き換えることができ、銀河形成シミュレーションにおいて未解決SNフィードバックを適切にシミュレートするのに役立つ。
論文 参考訳（メタデータ） (2023-11-14T19:00:03Z) - NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。
メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文 参考訳（メタデータ） (2023-08-24T17:59:54Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning [6.91821181311687]
等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
論文 参考訳（メタデータ） (2022-10-05T15:46:28Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Entanglement and correlations in fast collective neutrino flavor
oscillations [68.8204255655161]
集合ニュートリノ振動は、天体物理学的な設定においてレプトンのフレーバーを輸送する上で重要な役割を担っている。
高速振動を呈する単純多角ジオメトリーにおける平衡外フレーバーのフルダイナミクスについて検討した。
我々はこれらの高速集団モードが同じ動的相転移によって生成されることを示す。
論文 参考訳（メタデータ） (2022-03-05T17:00:06Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳（メタデータ） (2021-05-27T18:00:02Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳（メタデータ） (2020-12-01T03:30:37Z)
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。