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
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Diffusion model based data generation for partial differential equations [0.6554326244334866]
本稿では,物理シミュレーションにおける新しいデータ生成手法を提案する。
私たちのモチベーションは、数値データの可用性の制限によって引き起こされる制限を克服することにあります。
生成したデータサンプルを古典解法からの出力と比較することにより,それらの精度を評価し,基礎となる物理法則への適合性を検討する。
論文 参考訳(メタデータ) (2023-06-19T17:19:47Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳(メタデータ) (2022-12-24T12:59:41Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - 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) - Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。
概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
論文 参考訳(メタデータ) (2021-12-10T12:39:07Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳(メタデータ) (2021-10-22T15:43:03Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z)
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。