論文の概要: Magnetohydrodynamics with Physics Informed Neural Operators
- arxiv url: http://arxiv.org/abs/2302.08332v2
- Date: Fri, 7 Jul 2023 18:04:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 22:14:33.046890
- 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,AIを用いて複雑なシステムのモデリングを,計算コストのごく一部で高速化する方法について検討する。
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。
- 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: The modeling of multi-scale and multi-physics complex systems typically
involves the use of scientific software that can optimally leverage extreme
scale computing. Despite major developments in recent years, these simulations
continue to be computationally intensive and time consuming. Here we explore
the use of AI to accelerate the modeling of complex systems at a fraction of
the computational cost of classical methods, and present the first application
of physics informed neural operators to model 2D incompressible
magnetohydrodynamics simulations. Our AI models incorporate tensor Fourier
neural operators as their backbone, which we implemented with the TensorLY
package. Our results indicate that physics informed neural operators can
accurately capture the physics of magnetohydrodynamics simulations that
describe laminar flows with Reynolds numbers $Re\leq250$. We also explore the
applicability of our AI surrogates for turbulent flows, and discuss a variety
of methodologies that may be incorporated in future work to create AI models
that provide a computationally efficient and high fidelity description of
magnetohydrodynamics simulations for a broad range of Reynolds numbers. The
scientific software developed in this project is released with this manuscript.
- Abstract（参考訳）: マルチスケールおよびマルチ物理複合システムのモデリングは通常、極端なスケールコンピューティングを最適に活用できる科学ソフトウェアを使用する。
近年の大きな発展にもかかわらず、これらのシミュレーションは計算集約的で時間がかかり続けている。
ここでは,古典的手法の計算コストのごく一部で複雑なシステムのモデリングを加速するaiの利用を探求し,2次元非圧縮性磁気流体力学シミュレーションに対する物理学的インフォームド・ニューラル・オペレーターの最初の応用について述べる。
我々のAIモデルは、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組み込み、TensorLYパッケージで実装した。
この結果から,レイノルズ数$Re\leq250$でラミナール流を記述する磁気流体力学シミュレーションの物理を正確に捉えることが可能であることが示唆された。
また、乱流に対するaiサロゲートの適用可能性についても検討し、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忠実性を提供するaiモデルを作成するために、将来の研究に取り入れられる様々な手法について論じる。
このプロジェクトで開発された科学ソフトウェアは、この原稿とともにリリースされている。
関連論文リスト
- Fourier neural operators for spatiotemporal dynamics in two-dimensional turbulence [3.0954913678141627]
フーリエ・ニューラル演算子(FNO)に基づくモデルと偏微分方程式(PDE)を組み合わせれば,流体力学シミュレーションを高速化できる。
また、乱流の長期シミュレーションのために、機械学習モデルによって回避される必要のある純粋にデータ駆動アプローチの落とし穴についても論じる。
論文 参考訳（メタデータ） (2024-09-23T02:02:02Z) - Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-08-19T09:14:25Z) - 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) - 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) - 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。