論文の概要: Using a neural network approach to accelerate disequilibrium chemistry
calculations in exoplanet atmospheres
- arxiv url: http://arxiv.org/abs/2306.07074v1
- Date: Mon, 12 Jun 2023 12:39:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 14:40:21.158730
- Title: Using a neural network approach to accelerate disequilibrium chemistry
calculations in exoplanet atmospheres
- Title（参考訳）: ニューラルネットワークによる外惑星大気中の不平衡化学計算の高速化
- Authors: Julius L. A. M. Hendrix, Amy J. Louca, Yamila Miguel
- Abstract要約: 本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に着目する。
ネットワークのアーキテクチャは、各入力変数に対する個々のオートエンコーダで構成され、入力次元を減少させる。
その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In this era of exoplanet characterisation with JWST, the need for a fast
implementation of classical forward models to understand the chemical and
physical processes in exoplanet atmospheres is more important than ever.
Notably, the time-dependent ordinary differential equations to be solved by
chemical kinetics codes are very time-consuming to compute. In this study, we
focus on the implementation of neural networks to replace mathematical
frameworks in one-dimensional chemical kinetics codes. Using the gravity
profile, temperature-pressure profiles, initial mixing ratios, and stellar flux
of a sample of hot-Jupiters atmospheres as free parameters, the neural network
is built to predict the mixing ratio outputs in steady state. The architecture
of the network is composed of individual autoencoders for each input variable
to reduce the input dimensionality, which is then used as the input training
data for an LSTM-like neural network. Results show that the autoencoders for
the mixing ratios, stellar spectra, and pressure profiles are exceedingly
successful in encoding and decoding the data. Our results show that in 90% of
the cases, the fully trained model is able to predict the evolved mixing ratios
of the species in the hot-Jupiter atmosphere simulations. The fully trained
model is ~1000 times faster than the simulations done with the forward,
chemical kinetics model while making accurate predictions.
- Abstract（参考訳）: JWSTによる外惑星の特徴付けの時代において、外惑星大気の化学的および物理的過程を理解するために古典的な前方モデルの迅速な実装の必要性はこれまで以上に重要である。
特に、化学動力学符号で解く時間依存常微分方程式は計算に非常に時間がかかる。
本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に焦点を当てた。
ニューラルネットワークは、自由パラメータとして、重力プロファイル、温度-圧力プロファイル、初期混合比、および熱-jupiters大気サンプルの恒星フラックスを用いて、定常状態における混合比出力を予測する。
ネットワークのアーキテクチャは、入力変数ごとに個別のオートエンコーダで構成され、入力次元を減少させ、LSTMのようなニューラルネットワークの入力トレーニングデータとして使用される。
その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
その結果,90%のケースにおいて,十分に訓練されたモデルが熱・木星大気シミュレーションにおいて,種の混合率を推定できることがわかった。
完全に訓練されたモデルは、正確に予測しながら、前方の化学動力学モデルで行うシミュレーションの約1000倍高速である。
関連論文リスト
- Neural Network Emulator for Atmospheric Chemical ODE [6.84242299603086]
高速な化学濃度モデリングのためのニューラルネットワークエミュレータを提案する。
初期状態と今後の時間進化の間の隠れた相関関係を抽出するために,ChemNNEを提案する。
提案手法は,モデリング精度と計算速度において最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-08-03T17:43:10Z) - Speeding up astrochemical reaction networks with autoencoders and neural
ODEs [0.0]
天体物理学では、複雑な化学反応ネットワークを解くことが不可欠であるが、計算的に要求される。
計算負荷を減らす伝統的なアプローチは、しばしば特定の化学ネットワークに特化しており、専門家の知識を必要とする。
本稿では,次元減少のためのオートエンコーダと,アストロケミカル反応ネットワーク計算を高速化するための潜時空間ニューラルODEソルバを用いた機械学習ソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-10T22:04:18Z) - 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) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Accelerating hypersonic reentry simulations using deep learning-based
hybridization (with guarantees) [0.0]
我々は流体力学と化学反応のカップリングを伴う超音速惑星再突入問題に焦点を当てた。
化学反応のシミュレーションには計算時間の大半を要するが、正確な予測を得るためには避けられない。
従来の流体力学解法と化学反応を近似したニューラルネットワークを結合したハイブリッドシミュレーション符号を設計する。
論文 参考訳（メタデータ） (2022-09-27T14:41:56Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - 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) - 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) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。