Fugu-MT 論文翻訳(概要): Physics-Preserving AI-Accelerated Simulations of Plasma Turbulence

論文の概要: Physics-Preserving AI-Accelerated Simulations of Plasma Turbulence

arxiv url: http://arxiv.org/abs/2309.16400v1
Date: Thu, 28 Sep 2023 12:46:54 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 14:25:50.496213
Title: Physics-Preserving AI-Accelerated Simulations of Plasma Turbulence
Title（参考訳）: プラズマ乱流の物理保存ai加速シミュレーション
Authors: Robin Greif, Frank Jenko, Nils Thuerey
Abstract要約: 流体、気体、プラズマの乱流は、実用的および基本的重要性の両方において未解決の問題である。ここでは,Large Eddy Simulation (LES) と機械学習 (ML) を組み合わせることで,最大動力学のみを明示的に保持する。この新しい手法を自己駆動プラズマ乱流に適用することにより、慣性範囲の大部分を除去し、計算労力を約3桁削減できる。
参考スコア（独自算出の注目度）: 20.315933488318986
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Turbulence in fluids, gases, and plasmas remains an open problem of both practical and fundamental importance. Its irreducible complexity usually cannot be tackled computationally in a brute-force style. Here, we combine Large Eddy Simulation (LES) techniques with Machine Learning (ML) to retain only the largest dynamics explicitly, while small-scale dynamics are described by an ML-based sub-grid-scale model. Applying this novel approach to self-driven plasma turbulence allows us to remove large parts of the inertial range, reducing the computational effort by about three orders of magnitude, while retaining the statistical physical properties of the turbulent system.
Abstract（参考訳）: 流体、気体、プラズマの乱流は、実用的かつ基本的に重要な問題である。その既約複雑性は通常、ブルートフォーススタイルで計算的に取り組めない。ここでは,大規模渦シミュレーション(les)手法と機械学習(ml)を組み合わせることで,最大ダイナミクスのみを明示的に保持し,小規模ダイナミクスをmlベースのサブグリッドスケールモデルで記述する。この手法を自己駆動型プラズマ乱流に適用することにより、慣性範囲の大部分を除去し、乱流系の統計的物理的特性を維持しながら、計算労力を約3桁削減することができる。

関連論文リスト

Space-local memory in generalized master equations: Reaching the thermodynamic limit for the cost of a small lattice simulation [0.0]
本稿では,時間的テクティタント空間における有限メモリを利用した分散格子問題の多体ダイナミクスを効率的に予測する手法を提案する。分散ホルスタインモデルにおける非平衡ポーラロン緩和と輸送に着目して, この手法の強度を実証する。
論文参考訳（メタデータ） (2024-11-13T13:30:03Z)
Fourier neural operators for spatiotemporal dynamics in two-dimensional turbulence [3.0954913678141627]
フーリエ・ニューラル演算子(FNO)に基づくモデルと偏微分方程式(PDE)を組み合わせれば,流体力学シミュレーションを高速化できる。また、乱流の長期シミュレーションのために、機械学習モデルによって回避される必要のある純粋にデータ駆動アプローチの落とし穴についても論じる。
論文参考訳（メタデータ） (2024-09-23T02:02:02Z)
Accelerating Simulation of Two-Phase Flows with Neural PDE Surrogates [3.909855210960908]
二相流問題のスケーリングシミュレーションを支援するツールとして,ニューラルPDEソルバを検討・拡張する。この問題に対する既存の数値解法を、領域の様々な測度を含むより複雑な設定に拡張する。その結果,最大3桁の速さで液滴力学を正確にモデル化できることがわかった。
論文参考訳（メタデータ） (2024-05-27T15:18:12Z)
Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文参考訳（メタデータ） (2024-02-26T05:51:47Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
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)
Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文参考訳（メタデータ） (2023-05-01T23:20:27Z)
Multiscale Neural Operator: Learning Fast and Grid-independent PDE Solvers [0.0]
大規模力学をシミュレーションするために、既知の物理を生かしたハイブリッド・フレキシブル・サロゲートモデルを提案する。グリッド非依存、非ローカル、フレキシブルなパラメトリゼーションを学ぶのは、私たちが初めてです。
論文参考訳（メタデータ） (2022-07-23T05:01:03Z)
Unsupervised Discovery of Inertial-Fusion Plasma Physics using Differentiable Kinetic Simulations and a Maximum Entropy Loss Function [77.34726150561087]
プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
論文参考訳（メタデータ） (2022-06-03T15:27:33Z)
Automated Dissipation Control for Turbulence Simulation with Shell Models [1.675857332621569]
機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
論文参考訳（メタデータ） (2022-01-07T15:03:52Z)
BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。