論文の概要: Physics-informed machine learning of the correlation functions in bulk fluids

• arxiv url: http://arxiv.org/abs/2309.00767v1
• Date: Sat, 2 Sep 2023 00:11:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 01:28:51.504572
• Title: Physics-informed machine learning of the correlation functions in bulk fluids
• Title（参考訳）: 物理に変形したバルク流体の相関関数の機械学習
• Authors: Wenqian Chen, Peiyuan Gao, Panos Stinis
• Abstract要約: オルンシュタイン・ザーニーク方程式(オルンシュタイン・ザーニークりょうり、英: Ornstein-Zernike equation)は、液体の現代的な積分方程式理論におけるペア相関関数計算の基本的な方程式である。 この研究では、特に物理インフォームドニューラルネットワークや物理インフォームドニューラルネットワークといった機械学習モデルを用いて、OZ方程式を解く。
• 参考スコア（独自算出の注目度）: 2.1255150235172837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Ornstein-Zernike (OZ) equation is the fundamental equation for pair correlation function computations in the modern integral equation theory for liquids. In this work, machine learning models, notably physics-informed neural networks and physics-informed neural operator networks, are explored to solve the OZ equation. The physics-informed machine learning models demonstrate great accuracy and high efficiency in solving the forward and inverse OZ problems of various bulk fluids. The results highlight the significant potential of physics-informed machine learning for applications in thermodynamic state theory.
• Abstract（参考訳）: オルンシュタイン・ツェルニケ方程式(ornstein-zernike equation)は、液体の現代的な積分方程式理論における対相関関数計算の基本方程式である。 この研究では、特に物理インフォームドニューラルネットワークや物理インフォームドニューラルネットワークといった機械学習モデルを用いて、OZ方程式を解く。 物理インフォームド機械学習モデルは、様々なバルク流体の前方および逆OZ問題の解法において、高い精度と高い効率を示す。 この結果は、熱力学状態理論への応用のための物理学インフォームド機械学習の有意義な可能性を強調している。

関連論文リスト

• Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics [0.0]
  量子電磁力学の基本的なダイソン=シュウィンガー積分方程式を解くために、物理インフォームニューラルネットワークを用いる。 提案手法では, フェミオン波動関数の正規化, 動的質量関数, 光子プロパゲータをニューラルネットワークで近似する。
  論文  参考訳（メタデータ） (2024-11-04T15:36:17Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Solving Differential Equations using Physics-Informed Deep Equilibrium Models [4.237218036051422]
  本稿では、常微分方程式(ODE)の初期値問題(IVP)を解決する物理インフォームド・ディープ平衡モデル(PIDEQ)を提案する。 この研究は、深層学習と物理に基づくモデリングをブリッジすることで、IVPを解くための計算技術を進歩させ、科学計算と工学の応用に寄与する。
  論文  参考訳（メタデータ） (2024-06-05T17:25:29Z)
• Fourier Neural Differential Equations for learning Quantum Field Theories [57.11316818360655]
  量子場理論は相互作用ハミルトニアンによって定義され、散乱行列によって実験データにリンクされる。 本稿では,NDEモデルを用いて理論,スカラー・ユーカワ理論,スカラー量子電磁力学を学習する。 理論の相互作用ハミルトニアンは、ネットワークパラメータから抽出することができる。
  論文  参考訳（メタデータ） (2023-11-28T22:11:15Z)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• 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)
• Towards Optimally Weighted Physics-Informed Neural Networks in Ocean Modelling [0.0]
  海流と温度の流れの複雑さを捉えるモデルを開発するには最先端の技術が必要である。 本研究は,海洋モデルに関連する偏微分方程式の解法として物理インフォームドニューラルネットワーク(PINN)の利点について検討する。
  論文  参考訳（メタデータ） (2021-06-16T12:48:13Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Kohn-Sham equations as regularizer: building prior knowledge into machine-learned physics [13.572347341147282]
  交換相関関数に対してニューラルネットワークを訓練する際のコーン・シャム方程式の解法は、一般化を大幅に改善する暗黙の正規化をもたらすことを示す。 我々のモデルはまた、目に見えないタイプの分子に一般化し、自己相互作用エラーを克服します。
  論文  参考訳（メタデータ） (2020-09-17T23:06:39Z)

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。