論文の概要: Do Graph Neural Networks Dream of Landau Damping? Insights from Kinetic
Simulations of a Plasma Sheet Model
- arxiv url: http://arxiv.org/abs/2310.17646v2
- Date: Thu, 28 Dec 2023 18:34:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 22:01:11.388597
- Title: Do Graph Neural Networks Dream of Landau Damping? Insights from Kinetic
Simulations of a Plasma Sheet Model
- Title(参考訳): グラフニューラルネットワークはランダウ減衰を夢見るか?
プラズマシートモデルの動力学シミュレーションからの洞察
- Authors: Diogo D Carvalho, Diogo R Ferreira, Luis O Silva
- Abstract要約: 本モデルでは, 1次元プラズマモデルの動的プラズマ力学を学習する。
本研究は, 実時間, 保存法則, キー物理量の時間的変化の観点から, 元のプラズマモデルと性能を比較した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore the possibility of fully replacing a plasma physics kinetic
simulator with a graph neural network-based simulator. We focus on this class
of surrogate models given the similarity between their message-passing update
mechanism and the traditional physics solver update, and the possibility of
enforcing known physical priors into the graph construction and update. We show
that our model learns the kinetic plasma dynamics of the one-dimensional plasma
model, a predecessor of contemporary kinetic plasma simulation codes, and
recovers a wide range of well-known kinetic plasma processes, including plasma
thermalization, electrostatic fluctuations about thermal equilibrium, and the
drag on a fast sheet and Landau damping. We compare the performance against the
original plasma model in terms of run-time, conservation laws, and temporal
evolution of key physical quantities. The limitations of the model are
presented and possible directions for higher-dimensional surrogate models for
kinetic plasmas are discussed.
- Abstract(参考訳): 本稿では,プラズマ物理動力学シミュレータをグラフニューラルネットワークを用いたシミュレータで完全に置き換える可能性を検討する。
我々は、メッセージパス更新機構と従来の物理ソルバ更新の類似性、および、既知の物理プリエントをグラフ構築と更新に強制する可能性を考慮して、このクラスのサロゲートモデルに焦点を当てる。
本モデルでは,同時代のプラズマシミュレーションコードの前身である1次元プラズマモデルの運動プラズマダイナミクスを学習し,プラズマの熱化,熱平衡に関する静電揺らぎ,高速シートとランドーダンピングの抵抗など,広く知られている運動プラズマ過程を回復する。
本研究は, 実時間, 保存則, キー物理量の時間的変化の観点から, 元のプラズマモデルと比較した。
模型の限界を提示し, 運動プラズマの高次元サーロゲートモデルの可能性について考察した。
関連論文リスト
- ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [90.97595947781426]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。
私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。
また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文 参考訳(メタデータ) (2024-02-09T01:09:21Z) - Plasma Surrogate Modelling using Fourier Neural Operators [58.707182482773035]
深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いたプラズマ進化の正確な予測を実証する。
我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。
FNOは、MASTトカマク内のカメラで実世界の実験データからプラズマの進化を予測することもできる。
論文 参考訳(メタデータ) (2023-11-10T10:05:00Z) - Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance
Dynamics in Tokamak Fusion Reactors [0.0]
我々は、Alcator C-Mod核融合炉のデータに基づいて、物理モデルとニューラルネットワークモデルの両方を訓練する。
物理に基づく方程式をニューラルODEと組み合わせたモデルは、既存の物理動機付きODEと純粋なニューラルODEモデルの両方よりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2023-10-30T23:25:54Z) - Machine learning for advancing low-temperature plasma modeling and
simulation [0.0]
我々は、低温プラズマモデリングとシミュレーションへのアプローチに焦点をあてて、現状を概観する。
我々は、プラズマ科学と技術への潜在的な進歩の展望を提供する。
論文 参考訳(メタデータ) (2023-06-30T20:48:35Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳(メタデータ) (2022-11-02T10:33:38Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳(メタデータ) (2022-06-13T03:41:31Z) - 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) - Invertible Surrogate Models: Joint surrogate modelling and
reconstruction of Laser-Wakefield Acceleration by invertible neural networks [55.41644538483948]
可逆ニューラルネットワークは、機械学習の最近の技術である。
我々は、レーザープラズマ加速器(iLWFA)に関わる物理学の複雑な前方シミュレーションを近似する可逆サロゲートモデルを導入する。
論文 参考訳(メタデータ) (2021-06-01T12:26:10Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。
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。