Fugu-MT 論文翻訳(概要): Physics informed Neural Networks applied to the description of wave-particle resonance in kinetic simulations of fusion plasmas

論文の概要: Physics informed Neural Networks applied to the description of wave-particle resonance in kinetic simulations of fusion plasmas

arxiv url: http://arxiv.org/abs/2308.12312v1
Date: Wed, 23 Aug 2023 07:00:56 GMT
ステータス: 処理完了
システム内更新日: 2023-08-25 17:00:36.059375
Title: Physics informed Neural Networks applied to the description of wave-particle resonance in kinetic simulations of fusion plasmas
Title（参考訳）: 核融合プラズマの動力学シミュレーションにおける波粒子共鳴記述への物理情報ニューラルネットワークの適用
Authors: Jai Kumar (IRFM), David Zarzoso (M2P2), Virginie Grandgirard (IRFM), Jan Ebert, Stefan Kesselheim
Abstract要約: PINN は Vlasov-Poisson システムの圧縮法として最初にテストされた。 Vlasov-Poisson系の解法へのPINNの適用も、積分部分に特に重点を置いている。
参考スコア（独自算出の注目度）: 0.06316710659541969
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Vlasov-Poisson system is employed in its reduced form version (1D1V) as a test bed for the applicability of Physics Informed Neural Network (PINN) to the wave-particle resonance. Two examples are explored: the Landau damping and the bump-on-tail instability. PINN is first tested as a compression method for the solution of the Vlasov-Poisson system and compared to the standard neural networks. Second, the application of PINN to solving the Vlasov-Poisson system is also presented with the special emphasis on the integral part, which motivates the implementation of a PINN variant, called Integrable PINN (I-PINN), based on the automatic-differentiation to solve the partial differential equation and on the automatic-integration to solve the integral equation.
Abstract（参考訳）: Vlasov-Poisson システムは、物理情報ニューラルネットワーク (PINN) を波動粒子共鳴に適用するための試験ベッドとして、縮小形 (1D1V) で使用されている。ランダウ減衰とバンプ・オン・テール不安定という2つの例が研究されている。 PINNは、Vlasov-Poissonシステムの解の圧縮方法として最初にテストされ、標準のニューラルネットワークと比較される。第二に、Vlasov-PoissonシステムへのPINNの適用は、積分方程式を解くための自動微分法と、積分方程式を解くための自動積分法に基づいて、PINN変種であるI-PINN(Integable PINN)の実装を動機付ける積分部にも特に重点を置いている。

関連論文リスト

Neural Networks-based Random Vortex Methods for Modelling Incompressible Flows [0.0]
本稿では,(2D)非圧縮性ナビエ-ストークス方程式に対する解を近似するためのニューラルネットワークに基づく新しい手法を提案する。このアルゴリズムは、ランダム渦力学の計算効率の良い定式化を利用する損失関数に基づいて、渦を近似する物理インフォームドニューラルネットワークを用いている。
論文参考訳（メタデータ） (2024-05-22T14:36:23Z)
Splitting physics-informed neural networks for inferring the dynamics of integer- and fractional-order neuron models [0.0]
分割法と物理情報ニューラルネットワーク(PINN)を組み合わせた微分方程式の前方解法を提案する。提案手法はPINNを分割し,動的システムにPINNを適用するという課題に効果的に対処する。
論文参考訳（メタデータ） (2023-04-26T00:11:00Z)
Efficient Bayesian inference using physics-informed invertible neural networks for inverse problems [6.97393424359704]
物理インフォームド・インバータブルニューラルネットワーク(PI-INN)を利用したベイズ逆問題に対する革新的なアプローチを提案する。 PI-INNはベイズ逆問題に対して正確かつ効率的な生成モデルを提供し、抽出可能な後部密度推定をもたらす。特定の物理インフォームドディープラーニングモデルとして、PI-INNの主要なトレーニング課題は独立性制約の強化である。
論文参考訳（メタデータ） (2023-04-25T03:17:54Z)
Error Analysis of Physics-Informed Neural Networks for Approximating Dynamic PDEs of Second Order in Time [1.123111111659464]
物理インフォームドニューラルネットワーク(PINN)による2次動的偏微分方程式(PDE)の近似について検討する。分析の結果,2つの隠れ層と$tanh$アクティベーション関数を持つフィードフォワードニューラルネットワークでは,トレーニング損失とトレーニングデータポイント数によって,解場のPINN近似誤差を効果的にバウンドすることができることがわかった。本稿では, 波動方程式, Sine-Gordon 方程式, 線形エラストダイナミック方程式に対する新しい PINN アルゴリズムを用いた数値実験を行った。
論文参考訳（メタデータ） (2023-03-22T00:51:11Z)
Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文参考訳（メタデータ） (2022-08-18T05:00:24Z)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Deep Learning for the Benes Filter [91.3755431537592]
本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
論文参考訳（メタデータ） (2022-03-09T14:08:38Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文参考訳（メタデータ） (2021-04-06T18:29:14Z)
The model reduction of the Vlasov-Poisson-Fokker-Planck system to the Poisson-Nernst-Planck system via the Deep Neural Network Approach [2.4815579733050153]
本稿では,ポアソフ・ポアソン・フォッカー・プランク(VPFP)系からポアソフ・ポアソフ・ポアソフ・フォン・プランク(PNP)系への反射境界条件を持つ有界区間における拡散限界の図を考える。本稿では,VPFP と PNP システムに対するDeep Neural Network (DNN) の解が,全損失が機能停止した場合に,各システムの古典解に収束することを示す。
論文参考訳（メタデータ） (2020-09-28T12:46:51Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。