論文の概要: Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations

• arxiv url: http://arxiv.org/abs/2401.05972v3
• Date: Tue, 19 Nov 2024 17:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:32:46.754445
• Title: Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations
• Title（参考訳）: プラズマ乱流シミュレーションのための科学機械学習に基づく低次モデル
• Authors: Constantin Gahr, Ionut-Gabriel Farcas, Frank Jenko,
• Abstract要約: 本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。 我々は,演算子推論(OpInf)に着目し,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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper investigates non-intrusive Scientific Machine Learning (SciML) Reduced-Order Models (ROMs) for plasma turbulence simulations. In particular, we focus on Operator Inference (OpInf) to build low-cost physics-based ROMs from data for such simulations. As a representative example, we consider the (classical) Hasegawa-Wakatani (HW) equations used for modeling two-dimensional electrostatic drift-wave turbulence. For a comprehensive perspective of the potential of OpInf to construct predictive ROMs, we consider three setups for the HW equations by varying a key parameter, namely the adiabaticity coefficient. These setups lead to the formation of complex and nonlinear dynamics, which makes the construction of predictive ROMs of any kind challenging. We generate the training datasets by performing direct numerical simulations of the HW equations and recording the computed state data and outputs the over a time horizon of $100$ time units in the turbulent phase. We then use these datasets to construct OpInf ROMs for predictions over $400$ additional time units, that is, $400\%$ more than the training horizon. Our results show that the OpInf ROMs capture important statistical features of the turbulent dynamics and generalize beyond the training time horizon while reducing the computational effort of the high-fidelity simulation by up to five orders of magnitude. 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 of optimized fusion devices.
• Abstract（参考訳）: 本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。 特に,演算子推論(OpInf)に着目し,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。 代表的な例として, 二次元静電ドリフト波乱流のモデル化に用いる(古典的な)長谷川-若谷方程式を考える。 予測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は、鍵パラメータ、すなわち断熱係数を変化させることで、HW方程式の3つの設定を考える。 これらのセットアップは複雑で非線形なダイナミクスの形成につながるため、予測ROMの構築は困難である。 我々は,HW方程式の直接数値シミュレーションを行い,計算した状態データを記録し,乱流相における100ドル単位の時間的地平線を出力することにより,トレーニングデータセットを生成する。 次にこれらのデータセットを使用して、トレーニングの地平線よりも400ドル以上高い追加時間単位を予測するためにOpsInf ROMを構築します。 以上の結果から,OpInf ROMは乱流力学の重要な統計的特徴を捉え,トレーニング時間地平線を超えて一般化し,高忠実度シミュレーションの計算労力を最大5桁まで削減した。 核融合研究のより広い文脈において、これは非侵入型SciML ROMが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のようなタスクを可能にする。

関連論文リスト

• 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)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• 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)
• 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。