Fugu-MT 論文翻訳(概要): PPDONet: Deep Operator Networks for Fast Prediction of Steady-State Solutions in Disk-Planet Systems

論文の概要: PPDONet: Deep Operator Networks for Fast Prediction of Steady-State Solutions in Disk-Planet Systems

arxiv url: http://arxiv.org/abs/2305.11111v1
Date: Thu, 18 May 2023 16:53:35 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 13:47:28.344056
Title: PPDONet: Deep Operator Networks for Fast Prediction of Steady-State Solutions in Disk-Planet Systems
Title（参考訳）: PPDONet:ディスクプラネットシステムにおける定常解の高速予測のためのディープオペレータネットワーク
Authors: Shunyuan Mao, Ruobing Dong, Lu Lu, Kwang Moo Yi, Sifan Wang, Paris Perdikaris
Abstract要約: 本研究では,原始惑星系円盤における円盤-平面相互作用の解をリアルタイムに予測するツールを開発した。当社のツールは,非線形演算子を学習可能なニューラルネットワークのクラスであるDeep Operator Networks(DeepONets)に基づいています。我々のツールは、ラップトップ上で1秒未満で1つのシステムにおけるディスクプラネタリー相互作用の結果を予測することができる。
参考スコア（独自算出の注目度）: 12.39394042991753
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop a tool, which we name Protoplanetary Disk Operator Network (PPDONet), that can predict the solution of disk-planet interactions in protoplanetary disks in real-time. We base our tool on Deep Operator Networks (DeepONets), a class of neural networks capable of learning non-linear operators to represent deterministic and stochastic differential equations. With PPDONet we map three scalar parameters in a disk-planet system -- the Shakura \& Sunyaev viscosity $\alpha$, the disk aspect ratio $h_\mathrm{0}$, and the planet-star mass ratio $q$ -- to steady-state solutions of the disk surface density, radial velocity, and azimuthal velocity. We demonstrate the accuracy of the PPDONet solutions using a comprehensive set of tests. Our tool is able to predict the outcome of disk-planet interaction for one system in less than a second on a laptop. A public implementation of PPDONet is available at \url{https://github.com/smao-astro/PPDONet}.
Abstract（参考訳）: 我々は、原始惑星系ディスクオペレーターネットワーク(ppdonet)というツールを開発し、原惑星系ディスクにおけるディスク惑星間相互作用の解をリアルタイムに予測する。私たちはDeep Operator Networks(DeepONets)をベースにしています。これは、決定論的および確率微分方程式を表現するために非線形演算子を学習できるニューラルネットワークのクラスです。 PPDONetでは、円盤面密度、放射速度、方位速度の定常解に対して、シャクラ・アンド・スニャーエフ粘度$\alpha$、円盤面比$h_\mathrm{0}$、惑星質量比$q$の3つのスカラーパラメータをマッピングする。 PPDONetソリューションの総合的なテストセットを用いて精度を実証する。我々のツールは、ラップトップ上で1秒未満で1つのシステムにおけるディスクプラネタリー相互作用の結果を予測することができる。 PPDONetの公開実装は \url{https://github.com/smao-astro/PPDONet} で公開されている。

関連論文リスト

Disk2Planet: A Robust and Automated Machine Learning Tool for Parameter Inference in Disk-Planet Systems [16.738136124873307]
本研究では、プロトプラネタリーディスク構造からディスクプラネタリーシステムにおける鍵パラメータを推論する機械学習ツールであるDisk2Planetを紹介する。我々のツールは完全自動化されており、Nvidia A100グラフィックス処理ユニットで1つのシステムで3分でパラメータを取得できる。
論文参考訳（メタデータ） (2024-09-25T18:00:01Z)
Bayesian Inference with Deep Weakly Nonlinear Networks [57.95116787699412]
我々は,完全連結ニューラルネットワークによるベイズ推定が解けることを示す物理レベルの厳密さを示す。我々はモデルエビデンスを計算し、任意の温度で1/N$で任意の順序に後続する手法を提供する。
論文参考訳（メタデータ） (2024-05-26T17:08:04Z)
DBNets: A publicly available deep learning tool to measure the masses of young planets in dusty protoplanetary discs [49.1574468325115]
我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。 DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
論文参考訳（メタデータ） (2024-02-19T19:00:09Z)
Sample Complexity of Neural Policy Mirror Descent for Policy Optimization on Low-Dimensional Manifolds [75.51968172401394]
深部畳み込みニューラルネットワーク(CNN)を用いたNPMDアルゴリズムのサンプル複雑性について検討した。 NPMDの各イテレーションでは、値関数とポリシーの両方をCNNによってうまく近似することができる。 NPMDは状態空間の低次元構造を利用して次元の呪いから逃れることができることを示す。
論文参考訳（メタデータ） (2023-09-25T07:31:22Z)
Point-to-Box Network for Accurate Object Detection via Single Point Supervision [51.95993495703855]
オフ・ザ・シェルフ提案法(OTSP)の軽量な代替手法を提案する。 P2BNetは、アンカーのような方法で提案を生成することで、オブジェクト間のバランスの取れた提案バッグを構築することができる。コードはCOCO.com/ucas-vg/P2BNetでリリースされる。
論文参考訳（メタデータ） (2022-07-14T11:32:00Z)
Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文参考訳（メタデータ） (2022-06-24T17:58:13Z)
Using Bayesian Deep Learning to infer Planet Mass from Gaps in Protoplanetary Disks [0.0]
ディスクギャップから惑星質量を予測する深層学習ネットワーク「DPNNet-Bayesian」を導入する。我々のアプローチのユニークな特徴は、ディープラーニングアーキテクチャに関連する不確実性と、入力データに固有の不確実性とを区別できることです。このネットワークは、それぞれ86.0 pm 5.5 M_Earth $、43.8 pm 3.3 M_Earth $、92.2 pm 5.1 M_Earth $と予測している。
論文参考訳（メタデータ） (2022-02-23T19:00:05Z)
PGNets: Planet mass prediction using convolutional neural networks for radio continuum observations of protoplanetary disks [0.0]
原始惑星円盤中の若い惑星によって誘導される構造は、潜在的に若い惑星の性質を推測するために用いられる。 2次元画像から惑星質量を推定するためのPlanet Gap Neural Networks(PGNets)を開発した。線形フィッティング法で見られる$alpha$$propto $M_p3$を再現する。
論文参考訳（メタデータ） (2021-11-30T08:12:08Z)
DPNNet-2.0 Part I: Finding hidden planets from simulated images of protoplanetary disk gaps [6.2194417376659015]
DPNNet citepaud20に次いで第2のDPNNet-2.0を導入し,原始惑星円盤のシミュレーション画像から直接外惑星質量を予測する。この研究は、アタカマ大 (sub-)Millimeter Array) のような望遠鏡による塵面密度マップで観測された惑星間隙から外惑星の質量を直接抽出するコンピュータビジョン(CNNの実装)の利用に向けた最初のステップである。
論文参考訳（メタデータ） (2021-07-19T18:00:31Z)
Modeling protoplanetary disk SEDs with artificial neural networks: Revisiting the viscous disk model and updated disk masses [0.0]
タウルス・オーリガ星形成領域における23個の原始惑星円盤のスペクトルエネルギー分布(SED)を、詳細な円盤モデルとベイズ的アプローチを用いてモデル化する。その結果、多くのソースに対して高い粘度と降着率が得られるが、これは最近のディスク内の低乱流レベルの測定と一致しない。この効果は特に円盤群の研究に関係し、原始惑星円盤と外惑星系の質量の間の以前の観測的な緊張を緩和する。
論文参考訳（メタデータ） (2020-09-07T18:00:02Z)
DSDNet: Deep Structured self-Driving Network [92.9456652486422]
本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
論文参考訳（メタデータ） (2020-08-13T17:54:06Z)

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。