論文の概要: Physics-informed neural networks in the recreation of hydrodynamic
simulations from dark matter
- arxiv url: http://arxiv.org/abs/2303.14090v2
- Date: Thu, 19 Oct 2023 15:20:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 20:39:58.485107
- Title: Physics-informed neural networks in the recreation of hydrodynamic
simulations from dark matter
- Title（参考訳）: 暗黒物質からの流体力学シミュレーションのレクリエーションにおける物理インフォームニューラルネットワーク
- Authors: Zhenyu Dai, Ben Moews, Ricardo Vilalta, Romeel Dave
- Abstract要約: 本稿では,バリオン塗布における物理インフォームドニューラルネットワークの最初の応用について述べる。
散乱再生を強制するKullback-Leiblerの発散に基づく時間的予測比較を導入する。
- 参考スコア（独自算出の注目度）: 1.786053901581251
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-informed neural networks have emerged as a coherent framework for
building predictive models that combine statistical patterns with domain
knowledge. The underlying notion is to enrich the optimization loss function
with known relationships to constrain the space of possible solutions.
Hydrodynamic simulations are a core constituent of modern cosmology, while the
required computations are both expensive and time-consuming. At the same time,
the comparatively fast simulation of dark matter requires fewer resources,
which has led to the emergence of machine learning algorithms for baryon
inpainting as an active area of research; here, recreating the scatter found in
hydrodynamic simulations is an ongoing challenge. This paper presents the first
application of physics-informed neural networks to baryon inpainting by
combining advances in neural network architectures with physical constraints,
injecting theory on baryon conversion efficiency into the model loss function.
We also introduce a punitive prediction comparison based on the
Kullback-Leibler divergence, which enforces scatter reproduction. By
simultaneously extracting the complete set of baryonic properties for the Simba
suite of cosmological simulations, our results demonstrate improved accuracy of
baryonic predictions based on dark matter halo properties, successful recovery
of the fundamental metallicity relation, and retrieve scatter that traces the
target simulation's distribution.
- Abstract（参考訳）: 物理インフォームドニューラルネットワークは、統計的パターンとドメイン知識を組み合わせた予測モデルを構築するためのコヒーレントなフレームワークとして登場した。
基本的な考え方は、可能な解の空間を制約するために既知の関係を持つ最適化損失関数を強化することである。
流体力学シミュレーションは現代の宇宙論の中核であり、必要な計算は費用も時間もかかる。
同時に、ダークマターの比較的高速なシミュレーションには少ないリソースを必要とするため、バリオンを研究の活発な領域として扱うための機械学習アルゴリズムが出現し、水力学シミュレーションで見られる散乱を再現することは、現在進行中の課題である。
本稿では,バリオン変換効率に関する理論をモデル損失関数に注入し,ニューラルネットワークアーキテクチャの進歩と物理的制約を組み合わせたバリオン塗装への物理インフォームニューラルネットワークの最初の応用について述べる。
また,散乱再生を強制するKulback-Leibler分散に基づく時間的予測比較も導入する。
宇宙シミュレーションのシムバ集合に対するバリオニクス特性の完全な集合を同時に抽出することにより, ダークマターハロ特性に基づくバリオニクス予測の精度の向上, 基本的金属性関係の回復, ターゲットシミュレーションの分布を辿る散乱体の回収を実証した。
関連論文リスト
- Efficient and precise quantum simulation of ultra-relativistic quark-nucleus scattering [0.35998666903987897]
クォーク核散乱のダイナミクスをシミュレートする,効率的かつ高精度な枠組みを提案する。
我々のフレームワークは量子力学における様々な散乱問題の力学をシミュレートするために一般化することができる。
論文 参考訳（メタデータ） (2024-03-31T22:48:05Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Optimising hadronic collider simulations using amplitude neural networks [0.0]
我々はNJet C++ライブラリから1ループ振幅でニューラルネットワークモデルをトレーニングし、Sherpa Monte Carloイベントジェネレータとインターフェースする。
その結果,分布の一致は良好であり,シミュレーション時間も30倍に短縮された。
論文 参考訳（メタデータ） (2022-02-09T15:08:30Z) - Predicting Dynamics of Transmon Qubit-Cavity Systems with Recurrent
Neural Networks [0.0]
マスター方程式の解に基づく現在のモデルは、プレイで非マルコフ力学を捉えるのに十分ではない。
本稿では、繰り返しニューラルネットワークを用いて、結合したトランペット量子ビットキャビティシステムに対するリンドブラッドマスター方程式の効率的な解を求める方法を提案する。
論文 参考訳（メタデータ） (2021-09-29T15:02:23Z) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。
ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。
スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2021-07-09T09:03:08Z) - 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) - Hybrid analytic and machine-learned baryonic property insertion into
galactic dark matter haloes [1.2599533416395767]
バリロンの性質は計算コストがかかる複雑な流体力学シミュレーションを必要とする。
我々は、銀河の恒星、ガス、金属の内容の進化を記述した分析形式である平衡モデルの拡張版を機械学習の枠組みに統合する。
銀河系の暗黒物質ハローをバリオニクス特性を持つN体シミュレーションに投入する高速流体力学シミュレーションエミュレータを作成した。
論文 参考訳（メタデータ） (2020-12-10T16:50:33Z)
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。