論文の概要: Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning
- arxiv url: http://arxiv.org/abs/2403.13299v1
- Date: Wed, 20 Mar 2024 04:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 17:58:10.504107
- Title: Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning
- Title（参考訳）: ニューラル演算子学習を用いた相関ゆらぎを伴うマルチスケールバブル成長ダイナミクスのブリッジスケール
- Authors: Minglei Lu, Chensen Lin, Martian Maxey, George Karniadakis, Zhen Li,
- Abstract要約: 本研究では, マイクロスケールおよびマクロスケールの非線型気泡力学解析を統一する合成ニューラル演算子モデルを構築した。
トレーニングデータと試験データは, 0.1マイクロメートルから1.5マイクロメートルの範囲の気泡半径を持つ非線形気泡動力学のmDPDおよびRPシミュレーションにより生成する。
その結果, トレーニングした複合型ニューラルオペレーターモデルは, 気泡半径の時間的評価に99%の精度で, スケールのバブルダイナミクスを正確に予測できることが示唆された。
- 参考スコア（独自算出の注目度）: 1.8629003661522465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The intricate process of bubble growth dynamics involves a broad spectrum of physical phenomena from microscale mechanics of bubble formation to macroscale interplay between bubbles and surrounding thermo-hydrodynamics. Traditional bubble dynamics models including atomistic approaches and continuum-based methods segment the bubble dynamics into distinct scale-specific models. In order to bridge the gap between microscale stochastic fluid models and continuum-based fluid models for bubble dynamics, we develop a composite neural operator model to unify the analysis of nonlinear bubble dynamics across microscale and macroscale regimes by integrating a many-body dissipative particle dynamics (mDPD) model with a continuum-based Rayleigh-Plesset (RP) model through a novel neural network architecture, which consists of a deep operator network for learning the mean behavior of bubble growth subject to pressure variations and a long short-term memory network for learning the statistical features of correlated fluctuations in microscale bubble dynamics. Training and testing data are generated by conducting mDPD and RP simulations for nonlinear bubble dynamics with initial bubble radii ranging from 0.1 to 1.5 micrometers. Results show that the trained composite neural operator model can accurately predict bubble dynamics across scales, with a 99% accuracy for the time evaluation of the bubble radius under varying external pressure while containing correct size-dependent stochastic fluctuations in microscale bubble growth dynamics. The composite neural operator is the first deep learning surrogate for multiscale bubble growth dynamics that can capture correct stochastic fluctuations in microscopic fluid phenomena, which sets a new direction for future research in multiscale fluid dynamics modeling.
- Abstract（参考訳）: 気泡成長ダイナミクスの複雑な過程は、気泡形成のマイクロスケール力学から、気泡と周囲の熱流体力学の間のマクロスケールの相互作用まで幅広い物理現象を含む。
従来のバブルダイナミクスモデルには、原子論的なアプローチや連続体に基づく手法があり、バブルダイナミクスを異なるスケール固有のモデルに分割する。
マイクロスケール確率流体モデルとバブルダイナミクスの連続流体モデルとのギャップを埋めるため,多体分散粒子動力学モデル(mDPD)と連続体分散粒子動力学モデル(RP)モデルを,圧力変動を受ける気泡成長の平均挙動を学習するディープオペレータネットワークと,マイクロスケールバブルダイナミクスの変動変動の統計的特徴を学習する長期記憶ネットワークとを融合させることにより,マイクロスケールおよびマクロスケールレジームにおける非線形気泡ダイナミクスの解析を統一する複合ニューラルオペレーターモデルを開発した。
トレーニングデータと試験データは, 0.1マイクロメートルから1.5マイクロメートルの範囲で, 非線形気泡動特性のmDPDおよびRPシミュレーションにより生成する。
以上の結果から, トレーニングされた複合型ニューラルオペレーターモデルでは, 気泡半径の時間的評価を外部圧力で精度99%の精度で精度よく予測でき, マイクロスケールバブル成長ダイナミックスでは, 形状依存性の確率的ゆらぎを正確に含んでいることがわかった。
複合型ニューラルネットワークは, 微視的流体現象の正確な確率的変動を捉えることのできる, マルチスケールバブル成長ダイナミクスのための最初の深層学習サロゲートであり, マルチスケール流体力学モデリングにおける新たな研究の方向性を定めている。
関連論文リスト
- Dreaming of Electrical Waves: Generative Modeling of Cardiac Excitation Waves using Diffusion Models [0.0]
心臓の電気波は、心房細動や心室細動などの不整脈が持続する間、回転する渦巻波またはスクロール波を形成する。
我々は、非条件および条件付き生成タスクにおいて、そのような波動パターンを生成できるように、模擬波動パターンを用いた拡散モデルを訓練した。
拡散モデルはスパイラル波やスクロール波のダイナミクスを再現し、心臓組織の波動のデータ駆動モデリングに利用できるように学習することを発見した。
論文 参考訳（メタデータ） (2023-12-22T17:06:08Z) - Emergence of fluctuating hydrodynamics in chaotic quantum systems [47.187609203210705]
ゆらぎの流体力学をモデル化するために, マクロ揺らぎ理論 (MFT) が最近開発された。
粒子数変動の総数統計量を監視する大規模量子シミュレーションを行う。
以上の結果から,孤立量子系の大規模変動は創発的な流体力学的挙動を示すことが示唆された。
論文 参考訳（メタデータ） (2023-06-20T11:26:30Z) - 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) - Learning deterministic hydrodynamic equations from stochastic active
particle dynamics [1.933681537640272]
本研究では, 自己推進粒子系で観測された密度レーンの流体力学モデル学習に本手法を適用した。
このことは、統計的学習理論と物理先行理論が組み合わさって、非平衡過程のマルチスケールモデルの発見を可能にすることを証明している。
論文 参考訳（メタデータ） (2022-01-21T10:19:36Z) - Reservoir Computing with Diverse Timescales for Prediction of Multiscale
Dynamics [5.172455794487599]
異種リークインテグレータニューロンのリカレントネットワークを用いて,様々な時間スケールの貯水池計算モデルを提案する。
高速なカオス力学系を用いた予測タスクにおいて、提案モデルが既存の標準モデルよりも高いポテンシャルを持つことを示す。
本分析により, 対象力学の各成分の生成に必要な時間尺度は, モデルトレーニングにより, 貯水池力学から適切な, 柔軟に選択されることが明らかとなった。
論文 参考訳（メタデータ） (2021-08-21T06:52:21Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳（メタデータ） (2021-04-22T19:20:47Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳（メタデータ） (2021-04-22T04:01:32Z) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳（メタデータ） (2020-08-26T20:27:19Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。