論文の概要: Surrogate Modeling for Computationally Expensive Simulations of
Supernovae in High-Resolution Galaxy Simulations
- arxiv url: http://arxiv.org/abs/2311.08460v1
- Date: Tue, 14 Nov 2023 19:00:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 18:41:32.848277
- Title: Surrogate Modeling for Computationally Expensive Simulations of
Supernovae in High-Resolution Galaxy Simulations
- Title(参考訳): 高分解能銀河シミュレーションにおける超新星の計算コストシミュレーションのためのサロゲートモデリング
- Authors: Keiya Hirashima, Kana Moriwaki, Michiko S. Fujii, Yutaka Hirai,
Takayuki R. Saitoh, Junichiro Makino, and Shirley Ho
- Abstract要約: 我々は,超新星が周囲のガスに与える影響を予測するため,機械学習とギブスサンプリングを組み合わせた手法を開発した。
本手法は、SNサブグリッドモデルを置き換えることができ、銀河形成シミュレーションにおいて未解決SNフィードバックを適切にシミュレートするのに役立つ。
- 参考スコア(独自算出の注目度): 0.7927502566022343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Some stars are known to explode at the end of their lives, called supernovae
(SNe). The substantial amount of matter and energy that SNe release provides
significant feedback to star formation and gas dynamics in a galaxy. SNe
release a substantial amount of matter and energy to the interstellar medium,
resulting in significant feedback to star formation and gas dynamics in a
galaxy. While such feedback has a crucial role in galaxy formation and
evolution, in simulations of galaxy formation, it has only been implemented
using simple {\it sub-grid models} instead of numerically solving the evolution
of gas elements around SNe in detail due to a lack of resolution. We develop a
method combining machine learning and Gibbs sampling to predict how a supernova
(SN) affects the surrounding gas. The fidelity of our model in the thermal
energy and momentum distribution outperforms the low-resolution SN simulations.
Our method can replace the SN sub-grid models and help properly simulate
un-resolved SN feedback in galaxy formation simulations. We find that employing
our new approach reduces the necessary computational cost to $\sim$ 1 percent
compared to directly resolving SN feedback.
- Abstract(参考訳): 一部の恒星は、生命の終わりに超新星(sne)と呼ばれる爆発することが知られている。
SNeが放出するかなりの量の物質とエネルギーは、銀河の星形成とガス力学に多大なフィードバックを与える。
SNeは恒星間物質にかなりの量の物質とエネルギーを放出し、恒星形成と銀河内のガス力学に大きなフィードバックを与える。
このようなフィードバックは銀河の形成と進化において重要な役割を担っているが、銀河形成のシミュレーションでは、SNeの周囲のガス元素の進化を数値的に解くのではなく、単純な準グリッドモデルを用いてのみ実装されている。
我々は,超新星が周囲のガスに与える影響を予測するため,機械学習とギブスサンプリングを組み合わせた手法を開発した。
熱エネルギーと運動量分布におけるモデルの忠実性は低分解能snシミュレーションよりも優れている。
本手法はsnサブグリッドモデルを置き換えることができ、銀河形成シミュレーションにおいて未解決のsnフィードバックを適切にシミュレートすることができる。
我々の新しいアプローチを用いることで、SNフィードバックを直接解決するよりも計算コストを$\sim$1%に削減できることがわかった。
関連論文リスト
- Machine Learning methods for simulating particle response in the Zero
Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。
大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。
機械学習を利用した問題に対する代替手法を提案する。
論文 参考訳(メタデータ) (2023-06-23T16:45:46Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳(メタデータ) (2023-05-21T03:51:03Z) - 3D-Spatiotemporal Forecasting the Expansion of Supernova Shells Using
Deep Learning toward High-Resolution Galaxy Simulations [0.0]
超新星(SNe)の短い統合タイムステップは、高分解能銀河シミュレーションにおいて深刻なボトルネックとなっている。
SN爆発後の殻膨張を予測するための深層学習モデルである3D-MIMを開発した。
論文 参考訳(メタデータ) (2023-01-31T19:00:32Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳(メタデータ) (2022-06-27T13:46:51Z) - Entanglement and correlations in fast collective neutrino flavor
oscillations [68.8204255655161]
集合ニュートリノ振動は、天体物理学的な設定においてレプトンのフレーバーを輸送する上で重要な役割を担っている。
高速振動を呈する単純多角ジオメトリーにおける平衡外フレーバーのフルダイナミクスについて検討した。
我々はこれらの高速集団モードが同じ動的相転移によって生成されることを示す。
論文 参考訳(メタデータ) (2022-03-05T17:00:06Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳(メタデータ) (2021-10-11T18:00:02Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳(メタデータ) (2020-12-01T03:30:37Z) - Predicting Localized Primordial Star Formation with Deep Convolutional
Neural Networks [0.0]
本研究では、3次元深部畳み込みニューラルネットワークを原始星の形成とフィードバック効果の高速な代理モデルとして適用することを検討した。
本稿では,局所主星形成を予測するための代理モデルについて述べる。
我々の知る限り、これは高解像度の宇宙シミュレーションと一致する原始星形成領域を予測できる最初のモデルである。
論文 参考訳(メタデータ) (2020-11-02T22:32:27Z) - AI-assisted super-resolution cosmological simulations [9.59904742274332]
我々は、高分解能(HR)画像データから学習し、異なる低分解能(LR)画像の高精度超解像(SR)バージョンを作成するニューラルネットワークを開発した。
我々は, 512倍の粒子を生成し, 初期位置からの変位を予測することにより, シミュレーションの精度を向上させることができる。
我々のモデルは16対の小容量LR-HRシミュレーションから学習し、その結果、HR物質パワースペクトルを最大16,h-1mathrmMpc$、HRハロ質量関数を10ドル以内で再現するSRシミュレーションを生成することができる。
論文 参考訳(メタデータ) (2020-10-13T18:04:24Z) - Analog cosmological reheating in an ultracold Bose gas [58.720142291102135]
超低温ボースガス中の一般宇宙論単体モデルの再加熱様ダイナミクスを量子シミュレーションする。
非相対論的極限において、拡大時空と背景振動インフラトン場を模倣する。
提案された実験は、弱い結合状態を超えても、最近まで進化を探求する可能性がある。
論文 参考訳(メタデータ) (2020-08-05T18:00:26Z) - Reinforcement Learning with Fast Stabilization in Linear Dynamical
Systems [91.43582419264763]
未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。
本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。
提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
論文 参考訳(メタデータ) (2020-07-23T23:06:40Z)
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。