論文の概要: Emulating the interstellar medium chemistry with neural operators
- arxiv url: http://arxiv.org/abs/2402.12435v1
- Date: Mon, 19 Feb 2024 19:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 18:36:48.385344
- Title: Emulating the interstellar medium chemistry with neural operators
- Title（参考訳）: ニューラル演算子を用いた星間媒体化学のエミュレーション
- Authors: Lorenzo Branca and Andrea Pallottini
- Abstract要約: 銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している
本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。
我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。
単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Galaxy formation and evolution critically depend on understanding the complex
photo-chemical processes that govern the evolution and thermodynamics of the
InterStellar Medium (ISM). Computationally, solving chemistry is among the most
heavy tasks in cosmological and astrophysical simulations. The evolution of
such non-equilibrium photo-chemical network relies on implicit, precise,
computationally costly, ordinary differential equations (ODE) solvers. Here, we
aim at substituting such procedural solvers with fast, pre-trained, emulators
based on neural operators. We emulate a non-equilibrium chemical network up to
H$_2$ formation (9 species, 52 reactions) by adopting the DeepONet formalism,
i.e. by splitting the ODE solver operator that maps the initial conditions and
time evolution into a tensor product of two neural networks. We use
$\texttt{KROME}$ to generate a training set spanning $-2\leq
\log(n/\mathrm{cm}^{-3}) \leq 3.5$, $\log(20) \leq\log(T/\mathrm{K}) \leq 5.5$,
$-6 \leq \log(n_i/n) < 0$, and by adopting an incident radiation field
$\textbf{F}$ sampled in 10 energy bins with a continuity prior. We separately
train the solver for $T$ and each $n_i$ for $\simeq 4.34\,\rm GPUhrs$. Compared
with the reference solutions obtained by $\texttt{KROME}$ for single zone
models, the typical precision obtained is of order $10^{-2}$, i.e. the $10
\times$ better with a training that is $40 \times$ less costly with respect to
previous emulators which however considered only a fixed $\mathbf{F}$. The
present model achieves a speed-up of a factor of $128 \times$ with respect to
stiff ODE solvers. Our neural emulator represents a significant leap forward in
the modeling of ISM chemistry, offering a good balance of precision,
versatility, and computational efficiency.
- Abstract（参考訳）: 銀河の形成と進化は、恒星間媒質(ISM)の進化と熱力学を管理する複雑な光化学過程を理解することに依存する。
計算学的には、化学の解法は宇宙論と天体物理学のシミュレーションにおいて最も重いタスクの一つである。
このような非平衡光化学ネットワークの進化は、暗黙的、精密、計算コストのかかる常微分方程式(ode)解法に依存する。
本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。
我々は、初期条件と時間発展を2つのニューラルネットワークのテンソル積にマッピングするodeソルバ演算子を分割することにより、ディープネット形式を採用することにより、h$_2$生成(9種52反応)までの非平衡化学ネットワークをエミュレートする。
2\leq \log(n/\mathrm{cm}^{-3}) \leq 3.5$, $\log(20) \leq\log(t/\mathrm{k}) \leq 5.5$, $-6 \leq \log(n_i/n) < 0$,というトレーニングセットを生成し、インシデント放射フィールド$\textbf{f}$を10個のエネルギービンで連続的にサンプリングすることで、それに対応する。
分離して$T$と$n_i$を$\simeq 4.34\,\rm GPUhrs$でトレーニングします。
単一ゾーンモデルに対して$\textt{krome}$で得られた参照解と比較すると、典型的な精度は 10^{-2}$、すなわち、固定された$\mathbf{f}$である以前のエミュレータに比べて40 \times$少ないトレーニングで10 \times$が良い。
本モデルでは,厳密なODEソルバに対して,128 \times$の係数を高速化する。
我々の神経エミュレータは、ISM化学のモデリングにおいて大きな進歩を示し、精度、汎用性、計算効率の優れたバランスを提供する。
関連論文リスト
- Optimized Quantum Simulation Algorithms for Scalar Quantum Field Theories [0.3394351835510634]
量子コンピュータ上でのスカラー場理論の実用的なシミュレーション手法を提案する。
本手法はハミルトニアンの各種耐故障シミュレーションアルゴリズムを用いて実装する。
どちらの場合も、バウンダリが物理的に意味のあるシミュレーションを4つの物理量子ビット(106ドル)と1012ドル(T$-gate)の順番で行うことを示唆している。
論文 参考訳（メタデータ） (2024-07-18T18:00:01Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Learning stiff chemical kinetics using extended deep neural operators [0.0]
我々は, 強硬な化学動力学を解くために, ニューラル演算子に基づく代理モデルを開発した。
この研究は、強硬な化学動力学を解くために、神経オペレーターに基づく代理モデルを開発することを目的としている。
論文 参考訳（メタデータ） (2023-02-23T18:57:08Z) - Neural networks: solving the chemistry of the interstellar medium [0.0]
非平衡化学は、天体物理学シミュレーションに含めるのが最も難しい課題の一つである。
PINNを動力とするシミュレーションは、天体物理学と宇宙論の問題において複雑な化学計算を解くのに便利な方法である。
論文 参考訳（メタデータ） (2022-11-28T19:00:01Z) - Studying chirality imbalance with quantum algorithms [62.997667081978825]
我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。
量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
論文 参考訳（メタデータ） (2022-10-06T17:12:33Z) - Tightening the Dependence on Horizon in the Sample Complexity of
Q-Learning [59.71676469100807]
この研究は、同期Q-ラーニングのサンプルの複雑さを、任意の$0varepsilon 1$に対して$frac|mathcalS| (1-gamma)4varepsilon2$の順序に絞る。
計算やストレージを余分に必要とせずに、高速なq-learningにマッチするvanilla q-learningの有効性を明らかにした。
論文 参考訳（メタデータ） (2021-02-12T14:22:05Z) - Supervised deep learning prediction of the formation enthalpy of the
full set of configurations in complex phases: the $\sigma-$phase as an
example [1.8369974607582582]
固体化学におけるいくつかの特性の予測に機械学習をどのように利用できるかを示す。
特に、与えられた複雑な結晶相の形成熱を予測するのに使用できる。
論文 参考訳（メタデータ） (2020-11-21T22:07:15Z) - Even more efficient quantum computations of chemistry through tensor
hypercontraction [0.6234350105794442]
量子化学ハミルトニアンのスペクトルを$N$任意の軌道で符号化するトフォリ複雑性を$widetildecal O(N)$で記述する。
これは、任意の基底で化学の量子計算で示された最も低い複雑性である。
論文 参考訳（メタデータ） (2020-11-06T18:03:29Z) - Mapping the charge-dyon system into the position-dependent effective
mass background via Pauli equation [77.34726150561087]
この研究は、陽イオンと反対の電荷と相互作用する1/2$フェルミオンの電荷スピンからなる量子システムを再現することを目的としている。
論文 参考訳（メタデータ） (2020-11-01T14:38:34Z) - Beyond Lazy Training for Over-parameterized Tensor Decomposition [69.4699995828506]
過度なパラメータ化対象の勾配勾配は遅延学習体制を超え、データ中の特定の低ランク構造を利用する可能性があることを示す。
以上の結果から,過パラメータ化対象の勾配勾配は遅延学習体制を超え,データ中の特定の低ランク構造を利用する可能性が示唆された。
論文 参考訳（メタデータ） (2020-10-22T00:32:12Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。