論文の概要: Magnetohydrodynamics with Physics Informed Neural Operators
- arxiv url: http://arxiv.org/abs/2302.08332v1
- Date: Mon, 13 Feb 2023 19:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 13:40:01.081329
- Title: Magnetohydrodynamics with Physics Informed Neural Operators
- Title(参考訳): 物理インフォームドニューラル演算子を用いた磁気流体力学
- Authors: Shawn G. Rosofsky and E. A. Huerta
- Abstract要約: 本稿では,2次元非圧縮性磁気流体力学シミュレーションのモデル化のための物理情報演算子の最初の応用について述べる。
以上の結果から,AIが磁気流体力学シミュレーションの物理を正確にモデル化できることが示唆された。
- 参考スコア(独自算出の注目度): 2.588973722689844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the first application of physics informed neural operators, which
use tensor Fourier neural operators as their backbone, to model 2D
incompressible magnetohydrodynamics simulations. Our results indicate that
physics informed AI can accurately model the physics of magnetohydrodynamics
simulations that describe laminar flows with Reynolds numbers $Re\leq250$. We
also quantify the applicability of our AI surrogates for turbulent flows, and
explore how magnetohydrodynamics simulations and AI surrogates store magnetic
and kinetic energy across wavenumbers. Based on these studies, we propose a
variety of approaches to create AI surrogates that provide a computationally
efficient and high fidelity description of magnetohydrodynamics simulations for
a broad range of Reynolds numbers. Neural operators and scientific software to
produce simulation data to train, validate and test our physics informed neural
operators are released with this manuscript.
- Abstract(参考訳): テンソルフーリエニューラル演算子をバックボーンとして使用した物理情報ニューラル演算子の2次元非圧縮磁性流体力学シミュレーションへの最初の応用について述べる。
この結果から,レイノルズ数$Re\leq250$で層流を記述する磁気流体力学シミュレーションの物理を高精度にモデル化できることが示唆された。
また、乱流に対するAIサロゲートの適用性を定量化し、磁気流体力学シミュレーションとAIサロゲートが、波数全体の磁気エネルギーと運動エネルギーを保存する方法を探る。
これらの研究に基づいて、幅広いレイノルズ数に対する磁気流体力学シミュレーションの計算効率と高い忠実性を提供するaiサロゲートを作成するための様々な手法を提案する。
ニューラルネットワークとシミュレーションデータを生成する科学ソフトウェアは、この原稿を用いて、我々の物理情報に基づく神経オペレータを訓練し、検証し、テストする。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学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。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、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) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-08T23:44:54Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳(メタデータ) (2023-09-27T00:12:07Z) - Hybrid quantum physics-informed neural networks for simulating
computational fluid dynamics in complex shapes [39.58317527488534]
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) - Statistical and machine learning approaches for prediction of long-time
excitation energy transfer dynamics [0.0]
ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。
以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
論文 参考訳(メタデータ) (2022-10-25T16:50:26Z) - 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) - Automated Dissipation Control for Turbulence Simulation with Shell
Models [1.675857332621569]
機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。
本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。
本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
論文 参考訳(メタデータ) (2022-01-07T15:03:52Z) - 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) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8~10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳(メタデータ) (2021-01-28T19:10:00Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳(メタデータ) (2020-11-14T02:03:08Z)
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。