論文の概要: Graph Representation of the Magnetic Field Topology in High-Fidelity
Plasma Simulations for Machine Learning Applications
- arxiv url: http://arxiv.org/abs/2307.09469v1
- Date: Mon, 10 Jul 2023 18:08:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-23 12:07:09.303785
- Title: Graph Representation of the Magnetic Field Topology in High-Fidelity
Plasma Simulations for Machine Learning Applications
- Title（参考訳）: 機械学習のための高忠実性プラズマシミュレーションにおける磁場トポロジーのグラフ表現
- Authors: Ioanna Bouri, Fanni Franssila, Markku Alho, Giulia Cozzani, Ivan
Zaitsev, Minna Palmroth, Teemu Roos
- Abstract要約: シミュレーションプラズマ中の磁場のトポロジカル解析は、様々な物理現象を幅広い環境で研究することができる。
磁場トポロジーのダイナミクスに関連する現象である磁気リコネクションは3次元で検出・特徴づけが困難である。
本稿では,スケーラブルなデータ解析のためのパイプラインと3つの磁場のグラフ表現を提案する。
- 参考スコア（独自算出の注目度）: 0.7650548154518115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Topological analysis of the magnetic field in simulated plasmas allows the
study of various physical phenomena in a wide range of settings. One such
application is magnetic reconnection, a phenomenon related to the dynamics of
the magnetic field topology, which is difficult to detect and characterize in
three dimensions. We propose a scalable pipeline for topological data analysis
and spatiotemporal graph representation of three-dimensional magnetic vector
fields. We demonstrate our methods on simulations of the Earth's magnetosphere
produced by Vlasiator, a supercomputer-scale Vlasov theory-based simulation for
near-Earth space. The purpose of this work is to challenge the machine learning
community to explore graph-based machine learning approaches to address a
largely open scientific problem with wide-ranging potential impact.
- Abstract（参考訳）: シミュレーションプラズマ中の磁場のトポロジカル解析は、様々な物理現象を幅広い設定で研究することができる。
そのような応用の1つは、磁場トポロジーのダイナミクスに関連する現象である磁気リコネクションであり、3次元で検出および特徴づけが難しい。
三次元磁気ベクトル場のトポロジカルデータ解析と時空間グラフ表現のためのスケーラブルパイプラインを提案する。
我々は,地球近傍空間に対する超コンピュータスケールvlasov理論に基づくシミュレーションであるvlasiatorによって生成された地球磁気圏のシミュレーションについて,本手法を実証する。
この研究の目的は、機械学習コミュニティに対して、グラフベースの機械学習アプローチを探求し、広範囲にわたる潜在的な影響に対処することである。
関連論文リスト
- Surface Flux Transport Modeling using Physics Informed Neural Networks [0.0]
表面フラックス輸送(SFT)モデリングは、太陽表面の磁束の輸送と進化をシミュレートし、解析するのに役立つ。
本研究では,磁束輸送の解法における機械学習の応用を実証し,その精度を検証した。
SFTを用いたバイポーラ磁気領域(BMR)の進化を研究するための新しい物理情報ニューラルネットワーク(PINN)モデルを開発した。
論文 参考訳（メタデータ） (2024-09-03T09:41:07Z) - Generalized Gouy Rotation of Electron Vortex beams in uniform magnetic fields [54.010858975226945]
磁場中における相対論的同軸方程式の正確な解を用いた磁場中のEVBのダイナミクスについて検討する。
一般化されたグーイ回転の下で異なる状態について統一的に記述し、グーイ位相をEVB回転角にリンクする。
この研究は、磁場中のEVBのダイナミクスに関する新たな洞察を与え、渦粒子のビーム操作とビーム光学の実践的応用を示唆している。
論文 参考訳（メタデータ） (2024-07-03T03:29:56Z) - Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。
単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。
我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
論文 参考訳（メタデータ） (2024-06-18T16:37:44Z) - Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。
我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。
本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
論文 参考訳（メタデータ） (2024-06-06T07:34:58Z) - Unveiling Exotic Magnetic Phases in Fibonacci Quasicrystalline Stacking
of Ferromagnetic Layers through Machine Learning [0.0]
本稿では,ファンデルワールス磁性体を用いた強磁性層のフィボナッチ準結晶積層について検討した。
この準結晶系における幾何学的フラストレーションと磁気秩序の複雑な関係を示す磁性ヘテロ構造のモデルを構築した。
我々は機械学習アプローチを採用し、このシステムの複雑な磁気挙動を明らかにする強力なツールであることが証明されている。
論文 参考訳（メタデータ） (2023-07-29T19:03:12Z) - Symmetry-Informed Geometric Representation for Molecules, Proteins, and
Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。
Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文 参考訳（メタデータ） (2023-06-15T05:37:25Z) - Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。
地磁気場状態の局所励起による初期状態を考慮する。
局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
論文 参考訳（メタデータ） (2022-07-14T10:05:20Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Predictive Geological Mapping with Convolution Neural Network Using
Statistical Data Augmentation on a 3D Model [0.0]
本研究では,3次元地質・磁気感受性モデルを用いたデータ拡張ワークフローを構築した。
Gated Shape Convolutional Neural Networkアルゴリズムは、地質図を作成するために生成された合成データセットに基づいて訓練された。
合成データセットの一部と周辺地域のデータを用いて行った検証結果から, この手法が海底地質の区分に適していることが示唆された。
論文 参考訳（メタデータ） (2021-10-27T13:56:40Z) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳（メタデータ） (2021-10-14T14:05:19Z) - Learning 3D Granular Flow Simulations [6.308272531414633]
離散要素法LIGGGHTSにより生成された複雑な3次元粒状流シミュレーションプロセスの正確なモデリングに向けたグラフニューラルネットワークアプローチを提案する。
本稿では,3次元物体,境界条件,粒子-粒子,粒子-境界相互作用を扱うグラフニューラルネットワークの実装方法について論じる。
論文 参考訳（メタデータ） (2021-05-04T17:27:59Z)
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。