論文の概要: GRINN: A Physics-Informed Neural Network for solving hydrodynamic
systems in the presence of self-gravity
- arxiv url: http://arxiv.org/abs/2308.08010v1
- Date: Tue, 15 Aug 2023 19:50:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 15:43:39.045833
- Title: GRINN: A Physics-Informed Neural Network for solving hydrodynamic
systems in the presence of self-gravity
- Title（参考訳）: GRINN: 自己重力下での流体力学系を解く物理インフォームドニューラルネットワーク
- Authors: Sayantan Auddy, Ramit Dey, Neal J. Turner, Shantanu Basu
- Abstract要約: 本稿では,重力インフォームドニューラルネットワーク(GRINN)を導入し,3次元自己重力型流体力学系をシミュレートする。
等温気体中の重力不安定性と波動伝播について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling self-gravitating gas flows is essential to answering many
fundamental questions in astrophysics. This spans many topics including
planet-forming disks, star-forming clouds, galaxy formation, and the
development of large-scale structures in the Universe. However, the nonlinear
interaction between gravity and fluid dynamics offers a formidable challenge to
solving the resulting time-dependent partial differential equations (PDEs) in
three dimensions (3D). By leveraging the universal approximation capabilities
of a neural network within a mesh-free framework, physics informed neural
networks (PINNs) offer a new way of addressing this challenge. We introduce the
gravity-informed neural network (GRINN), a PINN-based code, to simulate 3D
self-gravitating hydrodynamic systems. Here, we specifically study
gravitational instability and wave propagation in an isothermal gas. Our
results match a linear analytic solution to within 1\% in the linear regime and
a conventional grid code solution to within 5\% as the disturbance grows into
the nonlinear regime. We find that the computation time of the GRINN does not
scale with the number of dimensions. This is in contrast to the scaling of the
grid-based code for the hydrodynamic and self-gravity calculations as the
number of dimensions is increased. Our results show that the GRINN computation
time is longer than the grid code in one- and two- dimensional calculations but
is an order of magnitude lesser than the grid code in 3D with similar accuracy.
Physics-informed neural networks like GRINN thus show promise for advancing our
ability to model 3D astrophysical flows.
- Abstract（参考訳）: 自己重力ガス流のモデリングは、天体物理学における多くの基本的な質問に答えるために不可欠である。
これは、惑星形成円盤、星形成雲、銀河形成、宇宙における大規模構造の発展など、多くのトピックにまたがる。
しかし、重力と流体力学の間の非線形相互作用は、結果として生じる時間依存偏微分方程式(pdes)を3次元(3d)で解くための大きな挑戦を与える。
メッシュのないフレームワーク内でのニューラルネットワークの普遍的な近似機能を活用することで、物理情報ニューラルネットワーク(PINN)はこの課題に対処する新たな方法を提供する。
本稿では,重力インフォームドニューラルネットワーク(GRINN)を導入し,3次元自己重力型流体力学系をシミュレーションする。
ここでは,等温気体中の重力不安定性と波動伝播を特に研究する。
この結果は,線形レジーム内の線形解析解が1\%以内に,従来のグリッド符号解が5\%以内に一致し,外乱が非線形レジームに成長する。
グリンの計算時間は次元数ではスケールしないことがわかった。
これは、次元数の増加に伴い、流体力学および自己重力計算のためのグリッドベースのコードのスケーリングとは対照的である。
その結果,GRINNの計算時間は1次元および2次元の計算ではグリッドコードよりも長いが,同じ精度で3次元のグリッドコードよりも桁違いに小さいことがわかった。
したがって、gnnのような物理に変形したニューラルネットワークは、3d天体フローをモデル化する能力の進歩を期待できる。
関連論文リスト
- Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-08-19T09:14:25Z) - Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。
シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。
本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
論文 参考訳（メタデータ） (2024-02-09T09:40:12Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Neural Astrophysical Wind Models [0.0]
本研究は, 直交常微分方程式 (ODE) に個々の項として埋め込まれたディープニューラルネットワークが, これらの物理の双方をしっかりと発見できることを示す。
我々は、3つの保存変数を明示的に解決するのではなく、マッハ数に基づく損失関数を最適化し、近分散解に対してペナルティ項を適用する。
この研究は、非線形逆問題に対する機械論的解釈性を備えた有望な発見ツールとしてのニューラルODEの実現性をさらに強調する。
論文 参考訳（メタデータ） (2023-06-20T16:37:57Z) - NeuroGF: A Neural Representation for Fast Geodesic Distance and Path
Queries [77.04220651098723]
本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。
具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。
NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T13:32:21Z) - Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves
Propagation [0.0]
我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。
フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。
データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
論文 参考訳（メタデータ） (2023-04-20T12:01:58Z) - 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) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳（メタデータ） (2022-06-01T18:48:01Z) - Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。
PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。
本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
論文 参考訳（メタデータ） (2022-05-16T15:46:11Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳（メタデータ） (2021-03-02T03:09:06Z)
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。