論文の概要: Additive Multi-Index Gaussian process modeling, with application to multi-physics surrogate modeling of the quark-gluon plasma

• arxiv url: http://arxiv.org/abs/2306.07299v1
• Date: Sun, 11 Jun 2023 02:42:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 16:27:12.233547
• Title: Additive Multi-Index Gaussian process modeling, with application to multi-physics surrogate modeling of the quark-gluon plasma
• Title（参考訳）: 付加多次元ガウス過程モデリングとクォークグルーオンプラズマの多物理代理モデルへの応用
• Authors: Kevin Li, Simon Mak, J.-F Paquet, Steffen A. Bass
• Abstract要約: クォーク・グルーオンプラズマ(Quark-Gluon Plasma、QGP)は、ビッグバンの直後に宇宙を埋めたと理論化されている核物質のユニークな相である。 実験観測対象を理論パラメータで整合させるためには、高次元のパラメータ空間上での複雑な物理モデルの多くのシミュレーション実行が必要である。 本稿では,パラメータ空間の低次元埋め込みに柔軟な加法構造を利用するAdMIn-GP(Adjectitive Multi-Index Gaussian Process)モデルを提案する。
• 参考スコア（独自算出の注目度）: 1.7368964547487395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Quark-Gluon Plasma (QGP) is a unique phase of nuclear matter, theorized to have filled the Universe shortly after the Big Bang. A critical challenge in studying the QGP is that, to reconcile experimental observables with theoretical parameters, one requires many simulation runs of a complex physics model over a high-dimensional parameter space. Each run is computationally very expensive, requiring thousands of CPU hours, thus limiting physicists to only several hundred runs. Given limited training data for high-dimensional prediction, existing surrogate models often yield poor predictions with high predictive uncertainties, leading to imprecise scientific findings. To address this, we propose a new Additive Multi-Index Gaussian process (AdMIn-GP) model, which leverages a flexible additive structure on low-dimensional embeddings of the parameter space. This is guided by prior scientific knowledge that the QGP is dominated by multiple distinct physical phenomena (i.e., multiphysics), each involving a small number of latent parameters. The AdMIn-GP models for such embedded structures within a flexible Bayesian nonparametric framework, which facilitates efficient model fitting via a carefully constructed variational inference approach with inducing points. We show the effectiveness of the AdMIn-GP via a suite of numerical experiments and our QGP application, where we demonstrate considerably improved surrogate modeling performance over existing models.
• Abstract（参考訳）: クォークグルーオンプラズマ(クォークグルーオンプラズマ、英: quark-gluon plasma、qgp)は、ビッグバンの直後に宇宙を満たした核物質の一様相である。 qgpの研究における重要な課題は、実験的可観測性と理論的パラメータを調和させるためには、高次元のパラメータ空間上の複雑な物理モデルの多くのシミュレーション実行が必要であることである。 各ランは計算に非常に高価で、数千時間のCPUを必要とするため、物理学者は数百ランに制限される。 高次元予測のための限られたトレーニングデータを考えると、既存のサロゲートモデルは予測の不確実性が高く、科学的発見が不正確になることが多い。 これを解決するために,パラメータ空間の低次元埋め込みに柔軟な加法構造を利用するAdMIn-GP(Adjectitive Multi-Index Gaussian Process)モデルを提案する。 これは、qgpが複数の異なる物理現象(つまり、複数の物理現象)に支配されているという事前の科学的知識によって導かれる。 フレキシブルベイズ非パラメトリックフレームワーク内のそのような埋め込み構造に対するAdMIn-GPモデルは、点を誘導する注意深く構築された変分推論アプローチによる効率的なモデルフィッティングを容易にする。 数値実験とQGPアプリケーションによるAdMIn-GPの有効性を示すとともに,既存のモデルよりも優れたサロゲートモデリング性能を示す。

関連論文リスト

• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• Collisional thermometry for Gaussian systems [0.0]
  ガウス系を用いた量子温度測定に基づく衝突モデルについて検討する。 これらのスキームの鍵となる疑問は、量子フィッシャー情報(QFI)のスケーリングとアンシラの数に関するものである。 ここでは、QFIのスケーリングを任意の大きさで評価できるガウス衝突モデルに焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-20T13:54:25Z)
• 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)
• 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)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Data-driven modeling of Landau damping by physics-informed neural networks [4.728411962159049]
  機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。 このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。 この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
  論文  参考訳（メタデータ） (2022-11-02T10:33:38Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• A Sparse Model of Quantum Holography [0.0]
  本研究では,ランダムプルーニング法あるいは正規ハイパーグラフをランダムにサンプリングすることにより,ランダムなハイパーグラフ上に定義されたSachdev-Ye-Kitaev(SYK)モデルのスパースバージョンについて検討する。 この疎いSYKモデルは、$k$が順序ユニティである場合でも、通常のSYKの興味深い大域物理学を復元する。 従来のSYK経路積分とギャップ付き揺らぎを再現するスパースモデルのための経路積分を構築することで、議論を進めた。
  論文  参考訳（メタデータ） (2020-08-05T18:21:42Z)
• Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
  本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。 3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。 結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
  論文  参考訳（メタデータ） (2020-07-09T01:45:06Z)
• Certified variational quantum algorithms for eigenstate preparation [0.0]
  我々は変分アルゴリズムの終了を認証する手段を開発する。 逆場イジングモデル、競合する相互作用を持つ1次元スピンレスフェルミオンのモデル、量子電磁力学のシュウィンガーモデルという3つのモデルに適用することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2020-06-23T18:00:00Z)

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。