論文の概要: Learning physics-based reduced models from data for the
Hasegawa-Wakatani equations
- arxiv url: http://arxiv.org/abs/2401.05972v1
- Date: Thu, 11 Jan 2024 15:20:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-12 13:57:22.115284
- Title: Learning physics-based reduced models from data for the
Hasegawa-Wakatani equations
- Title（参考訳）: 長谷川-若谷方程式のデータから物理に基づく還元モデルを学ぶ
- Authors: Constatin Gahr, Ionut-Gabriel Farcas, and Frank Jenko
- Abstract要約: 本稿では,非線形・カオスプラズマ乱流シミュレーションのための非侵入型科学機械学習(SciML)低次モデルの構築に焦点をあてる。
我々は、演算子推論(OpInf)を用いて、そのようなシミュレーションデータから低コストな物理ベースのROMを構築することを提案する。
以上の結果から,OpInf ROMは乱流力学の重要な特徴を捉え,新しい未知の初期条件に一般化することが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper focuses on the construction of non-intrusive Scientific Machine
Learning (SciML) Reduced-Order Models (ROMs) for nonlinear, chaotic plasma
turbulence simulations. In particular, we propose using Operator Inference
(OpInf) to build low-cost physics-based ROMs from data for such simulations. As
a representative example, we focus on the Hasegawa-Wakatani (HW) equations used
for modeling two-dimensional electrostatic drift-wave plasma turbulence. For a
comprehensive perspective of the potential of OpInf to construct accurate ROMs
for this model, we consider a setup for the HW equations that leads to the
formation of complex, nonlinear, and self-driven dynamics, and perform two sets
of experiments. We first use the data obtained via a direct numerical
simulation of the HW equations starting from a specific initial condition and
train OpInf ROMs for predictions beyond the training time horizon. In the
second, more challenging set of experiments, we train ROMs using the same
dataset as before but this time perform predictions for six other initial
conditions. Our results show that the OpInf ROMs capture the important features
of the turbulent dynamics and generalize to new and unseen initial conditions
while reducing the evaluation time of the high-fidelity model by up to five
orders of magnitude in single-core performance. In the broader context of
fusion research, this shows that non-intrusive SciML ROMs have the potential to
drastically accelerate numerical studies, which can ultimately enable tasks
such as the design and real-time control of optimized fusion devices.
- Abstract（参考訳）: 本稿では,非線形・カオスプラズマ乱流シミュレーションのための非侵入型科学機械学習(SciML)低次モデルの構築に焦点をあてる。
特に,演算子推論(OpInf)を用いて,シミュレーションデータから低コストな物理ベースのROMを構築することを提案する。
代表的な例として,2次元静電ドリフト波プラズマ乱流のモデル化に用いる長谷川-若谷方程式(HW)に着目した。
このモデルのための正確なROMを構築するためのOpInfのポテンシャルを包括的に見ていくために、複素・非線形・自己駆動力学の形成につながるHW方程式のセットアップを検討し、2つの実験を行う。
まず,初期条件から始まるHW方程式の直接数値シミュレーションを用いて得られたデータを用いて,トレーニング時地平線を超える予測のためにOpInf ROMを訓練する。
2つ目の挑戦的な実験では、同じデータセットを使ってROMを訓練するが、今回は他の6つの初期条件の予測を行う。
その結果,opinf romは乱流力学の重要な特徴を捉え,新規で未熟な初期条件に一般化し,高忠実度モデルの評価時間を最大5桁まで短縮した。
核融合研究のより広い文脈において、非侵入型SciML ROMは数値研究を劇的に加速する可能性を示し、最終的には最適化された核融合装置の設計やリアルタイム制御などのタスクを可能にする。
関連論文リスト
- GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。
ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - 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 Phase Field Simulations Through a Hybrid Adaptive Fourier Neural Operator with U-Net Backbone [0.7329200485567827]
ニューラル演算子学習の最近の進歩にインスパイアされた機械学習(ML)モデルであるU-AFNO(Adaptive Fourier Neural Operators)を提案する。
U-AFNOを使って、現在の時間ステップでフィールドを後の時間ステップにマッピングするダイナミクスを学習します。
高忠実度数値解法と同等の精度で重要なミクロ構造統計とQoIを再現する。
論文 参考訳（メタデータ） (2024-06-24T20:13:23Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳（メタデータ） (2023-04-28T21:34:53Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - SUPA: A Lightweight Diagnostic Simulator for Machine Learning in
Particle Physics [0.0]
SUPAは, 簡易な粒子伝搬, 散乱, シャワー発生をシミュレーションしてデータを生成するアルゴリズムおよびソフトウェアパッケージである。
提案したシミュレータは、デスクトップマシン上で毎秒数千の粒子シャワーを発生し、Geant4の最大6桁の速度を発生させる。
論文 参考訳（メタデータ） (2022-02-10T13:14:12Z) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2021-01-28T19:10:00Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z)
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。