論文の概要: Application of machine learning technique for a fast forecast of
aggregation kinetics in space-inhomogeneous systems
- arxiv url: http://arxiv.org/abs/2312.04660v1
- Date: Thu, 7 Dec 2023 19:50:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 17:07:12.751324
- Title: Application of machine learning technique for a fast forecast of
aggregation kinetics in space-inhomogeneous systems
- Title（参考訳）: 宇宙不均質系における凝集速度の高速予測への機械学習の適用
- Authors: M.A. Larchenko, R.R. Zagidullin, V.V. Palyulin, N.V. Brilliantov
- Abstract要約: 機械学習(ML)技術を用いて直接計算の量を削減する方法について述べる。
本研究では,集合体の空間分布とその大きさ分布に対するML予測が計算時間を大幅に短縮し,直接数値シミュレーションの結果とよく一致することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling of aggregation processes in space-inhomogeneous systems is extremely
numerically challenging since complicated aggregation equations -- Smoluchowski
equations are to be solved at each space point along with the computation of
particle propagation. Low rank approximation for the aggregation kernels can
significantly speed up the solution of Smoluchowski equations, while particle
propagation could be done in parallel. Yet the simulations with many aggregate
sizes remain quite resource-demanding. Here, we explore the way to reduce the
amount of direct computations with the use of modern machine learning (ML)
techniques. Namely, we propose to replace the actual numerical solution of the
Smoluchowki equations with the respective density transformations learned with
the application of the conditional normalising flow. We demonstrate that the ML
predictions for the space distribution of aggregates and their size
distribution requires drastically less computation time and agrees fairly well
with the results of direct numerical simulations. Such an opportunity of a
quick forecast of space-dependent particle size distribution could be important
in practice, especially for the online prediction and visualisation of
pollution processes, providing a tool with a reasonable tradeoff between the
prediction accuracy and the computational time.
- Abstract（参考訳）: 複雑な凝集方程式 -- smoluchowski方程式は粒子伝播の計算とともに各空間点で解く必要があるため、空間不均質系における凝集過程のモデル化は極めて難しい。
集約カーネルの低階近似は、Smoluchowski方程式の解を著しく高速化するが、粒子の伝播は並列に行うことができる。
しかし、多数の集約サイズを持つシミュレーションは、非常にリソースオンデマンドである。
本稿では,現代の機械学習(ML)技術を用いて,直接計算量を削減する方法について検討する。
すなわち,Smoluchowki方程式の実際の数値解を,条件付き正規化流を用いて学習した各密度変換に置き換えることを提案する。
本研究では,集合体の空間分布とそのサイズ分布に対するml予測は計算時間を大幅に削減し,直接数値シミュレーションの結果とよく一致することを示す。
このような空間依存粒子径分布の迅速な予測の機会は、特に汚染プロセスのオンライン予測と可視化において重要であり、予測精度と計算時間の間に合理的なトレードオフを持つツールを提供する。
関連論文リスト
- Enhancing Computational Efficiency in Multiscale Systems Using Deep Learning of Coordinates and Flow Maps [0.0]
本稿では,マルチスケールシステムにおいて,ディープラーニング技術を用いて正確なタイムステッピング手法を構築する方法について述べる。
結果として得られるフレームワークは、より少ない計算コストで最先端の予測精度を達成する。
論文 参考訳（メタデータ） (2024-04-28T14:05:13Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Accelerating Part-Scale Simulation in Liquid Metal Jet Additive
Manufacturing via Operator Learning [0.0]
部分スケールの予測は多くの小規模シミュレーションを必要とする。
LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。
我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
論文 参考訳（メタデータ） (2022-02-02T17:24:16Z) - Large-Scale Wasserstein Gradient Flows [84.73670288608025]
ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。
我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。
その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
論文 参考訳（メタデータ） (2021-06-01T19:21:48Z) - Deep learning approaches to surrogates for solving the diffusion
equation for mechanistic real-world simulations [0.0]
医学的、生物学的、物理的、工学的なモデルでは、偏微分方程式(PDE)の数値解は、過激にシミュレーションを遅くすることができる。
このような複雑な数値問題に対する近似解を提供するために訓練されたニューラルネットワークである機械学習のサロゲートは、直接計算に比べて数桁のスピードアップを提供することが多い。
畳み込みニューラルネットワークを用いて拡散方程式の定常解を近似する。
論文 参考訳（メタデータ） (2021-02-10T16:15:17Z) - Particles to Partial Differential Equations Parsimoniously [0.0]
粗粒の有効部分微分方程式は、予測や制御のような計算集約的なタスクにかなりの節約をもたらす可能性がある。
本稿では,ニューラルネットワークとマルチスケール計算を組み合わせる枠組みを,方程式自由数値の形で提案する。
素粒子シミュレーションから大まかな粒度進化方程式を抽出し, 未知のマクロスケール変数を用いた手法を提案する。
論文 参考訳（メタデータ） (2020-11-09T15:51:24Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳（メタデータ） (2020-06-16T18:43:31Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。