論文の概要: A conservative hybrid physics-informed neural network method for
Maxwell-Amp\`{e}re-Nernst-Planck equations
- arxiv url: http://arxiv.org/abs/2312.05891v1
- Date: Sun, 10 Dec 2023 13:58:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 18:01:13.604144
- Title: A conservative hybrid physics-informed neural network method for
Maxwell-Amp\`{e}re-Nernst-Planck equations
- Title(参考訳): Maxwell-Amp\`{e}re-Nernst-Planck方程式に対する保守的ハイブリッド物理インフォームドニューラルネットワーク法
- Authors: Cheng Chang, Zhouping Xin, Tieyong Zeng
- Abstract要約: 提案アルゴリズムはダミー変数の固有近似を自動決定する手段を提供する。
元の手法は2次元問題に対して検証される。
提案手法は,一次元の場合に容易に一般化できる。
- 参考スコア(独自算出の注目度): 22.81295238376119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maxwell-Amp\`{e}re-Nernst-Planck (MANP) equations were recently proposed to
model the dynamics of charged particles. In this study, we enhance a numerical
algorithm of this system with deep learning tools. The proposed hybrid
algorithm provides an automated means to determine a proper approximation for
the dummy variables, which can otherwise only be obtained through massive
numerical tests. In addition, the original method is validated for
2-dimensional problems. However, when the spatial dimension is one, the
original curl-free relaxation component is inapplicable, and the approximation
formula for dummy variables, which works well in a 2-dimensional scenario,
fails to provide a reasonable output in the 1-dimensional case. The proposed
method can be readily generalised to cases with one spatial dimension.
Experiments show numerical stability and good convergence to the steady-state
solution obtained from Poisson-Boltzmann type equations in the 1-dimensional
case. The experiments conducted in the 2-dimensional case indicate that the
proposed method preserves the conservation properties.
- Abstract(参考訳): Maxwell-Amp\`{e}re-Nernst-Planck (MANP) 方程式は、荷電粒子の力学をモデル化するために最近提案されている。
本研究では,このシステムの数値アルゴリズムを深層学習ツールを用いて拡張する。
提案するハイブリッドアルゴリズムはダミー変数の適切な近似を決定する自動手法を提供する。
さらに、元の方法は2次元問題に対して検証される。
しかし、空間次元が 1 の場合、元のカールフリー緩和成分は適用不可能であり、ダミー変数の近似式は2次元シナリオでうまく機能するが、1 次元の場合において妥当な出力を与えることができない。
提案手法は1次元の場合に容易に一般化できる。
実験は1次元の場合のポアソン・ボルツマン型方程式から得られる定常解の数値安定性と良好な収束性を示す。
2次元の場合の実験は,提案手法が保存特性を保っていることを示唆する。
関連論文リスト
- An Extreme Learning Machine-Based Method for Computational PDEs in
Higher Dimensions [1.2981626828414923]
本稿では,確率型ニューラルネットワークに基づく高次元偏微分方程式(PDE)の解法について述べる。
本稿では,高次元線形・非線形定常・動的PDEの数値シミュレーションを行い,その性能を実証する。
論文 参考訳(メタデータ) (2023-09-13T15:59:02Z) - The dissipative Generalized Hydrodynamic equations and their numerical
solution [0.0]
一般化力学 (Generalizeddynamicdynamics, GHD) とは、量子物理学において1次元のテクスチュアブルシステムを記述するモデルである。
我々は、これらの運動方程式を効率的に解くために、新しい高次数値法を扱う。
論文 参考訳(メタデータ) (2022-12-23T14:00:50Z) - Experimental Design for Linear Functionals in Reproducing Kernel Hilbert
Spaces [102.08678737900541]
線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。
準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
論文 参考訳(メタデータ) (2022-05-26T20:56:25Z) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳(メタデータ) (2021-07-21T00:24:15Z) - Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic
Approach to Manifold Dimension Estimation [92.81218653234669]
本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。
我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。
実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
論文 参考訳(メタデータ) (2021-07-08T15:35:54Z) - Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization [94.18714844247766]
ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。
本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-02T21:01:13Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z) - Experimental characterization of quantum processes: a selective and
efficient method in arbitrary finite dimension [0.0]
非プライムパワー次元の量子過程を特徴付けるパラメータを選択的に効率的に推定するアルゴリズムの実装方法を示す。
我々は,次元$d=6$のヒルベルト空間におけるアルゴリズムの実験的検証を初めて行った。
論文 参考訳(メタデータ) (2020-11-16T19:14:56Z) - Effective Dimension Adaptive Sketching Methods for Faster Regularized
Least-Squares Optimization [56.05635751529922]
スケッチに基づくL2正規化最小二乗問題の解法を提案する。
我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
論文 参考訳(メタデータ) (2020-06-10T15:00:09Z) - Deep-learning of Parametric Partial Differential Equations from Sparse
and Noisy Data [2.4431531175170362]
この研究では、ニューラルネットワーク、遺伝的アルゴリズム、適応的手法を組み合わせた新しいフレームワークが、これらの課題を同時に解決するために提案されている。
訓練されたニューラルネットワークを用いてデリバティブを計算し、大量のメタデータを生成し、スパースノイズデータの問題を解決する。
次に、遺伝的アルゴリズムを用いて、不完全候補ライブラリによるPDEと対応する係数の形式を発見する。
空間的あるいは時間的に異なる係数を持つパラメトリックPDEを発見するために、2段階適応法を導入する。
論文 参考訳(メタデータ) (2020-05-16T09:09:57Z) - The data-driven physical-based equations discovery using evolutionary
approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。
このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。
解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文 参考訳(メタデータ) (2020-04-03T17:21:57Z)
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。