論文の概要: Shallow Recurrent Decoder for Reduced Order Modeling of Plasma Dynamics
- arxiv url: http://arxiv.org/abs/2405.11955v1
- Date: Mon, 20 May 2024 11:21:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 13:24:44.729297
- Title: Shallow Recurrent Decoder for Reduced Order Modeling of Plasma Dynamics
- Title（参考訳）: プラズマダイナミクスの低次モデリングのための浅電流デコーダ
- Authors: J. Nathan Kutz, Maryam Reza, Farbod Faraji, Aaron Knoll,
- Abstract要約: 我々は,エマシャローリカレントデコーダ(SH)アーキテクチャに基づくモデル削減手法を開発した。
変数の分離の理論に基づいて、SHREDアーキテクチャは3点のセンサーでフルタイムフィールドを再構築することができる。
- 参考スコア（独自算出の注目度）: 2.9320342785886973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reduced order models are becoming increasingly important for rendering complex and multiscale spatio-temporal dynamics computationally tractable. The computational efficiency of such surrogate models is especially important for design, exhaustive exploration and physical understanding. Plasma simulations, in particular those applied to the study of ${\bf E}\times {\bf B}$ plasma discharges and technologies, such as Hall thrusters, require substantial computational resources in order to resolve the multidimentional dynamics that span across wide spatial and temporal scales. Although high-fidelity computational tools are available to simulate such systems over limited conditions and in highly simplified geometries, simulations of full-size systems and/or extensive parametric studies over many geometric configurations and under different physical conditions are computationally intractable with conventional numerical tools. Thus, scientific studies and industrially oriented modeling of plasma systems, including the important ${\bf E}\times {\bf B}$ technologies, stand to significantly benefit from reduced order modeling algorithms. We develop a model reduction scheme based upon a {\em Shallow REcurrent Decoder} (SHRED) architecture. The scheme uses a neural network for encoding limited sensor measurements in time (sequence-to-sequence encoding) to full state-space reconstructions via a decoder network. Based upon the theory of separation of variables, the SHRED architecture is capable of (i) reconstructing full spatio-temporal fields with as little as three point sensors, even the fields that are not measured with sensor feeds but that are in dynamic coupling with the measured field, and (ii) forecasting the future state of the system using neural network roll-outs from the trained time encoding model.
- Abstract（参考訳）: 複雑かつ多スケールの時空間力学を計算的に抽出する上で、低次モデルがますます重要になっている。
このような代理モデルの計算効率は、特に設計、徹底的な探索、物理的理解において重要である。
プラズマシミュレーションは、特に${\bf E}\times {\bf B}$プラズマ放電の研究に適用され、ホールスラスタのような技術は、広い空間スケールと時間スケールにまたがる多次元力学を解決するために、かなりの計算資源を必要とする。
高忠実度計算ツールは、限られた条件や高度に単純化されたジオメトリーでそのようなシステムをシミュレートすることができるが、多くの幾何学的構成や異なる物理的条件下でのフルサイズのシステムや広範囲なパラメトリックな研究のシミュレーションは、従来の数値ツールで計算的に計算可能である。
したがって、重要な${\bf E}\times {\bf B}$技術を含む、科学研究と産業指向のプラズマシステムのモデリングは、オーダーモデリングアルゴリズムの縮小による大きな恩恵を受ける。
本稿では,SHREDアーキテクチャに基づくモデル縮小手法を提案する。
このスキームは、デコーダネットワークを介して、限られたセンサー計測を時間(シーケンスからシーケンスエンコーディング)で完全な状態空間再構成に符号化するニューラルネットワークを使用する。
変数の分離の理論に基づいて、SHREDアーキテクチャは機能する。
一 極小3点のセンサで全時空間を再構築すること。センサフィードで測定されていないが、測定されたフィールドと動的に結合しているフィールドであっても。
二 トレーニングされた時間符号化モデルからニューラルネットワークのロールアウトを用いてシステムの将来の状態を予測すること。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。
その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文 参考訳（メタデータ） (2024-09-23T11:16:46Z) - Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-08-19T09:14:25Z) - Applying generative neural networks for fast simulations of the ALICE (CERN) experiment [0.0]
この論文は、CERNのゼロ・デグレ・カロリメータ(ZDC)中性子検出器の高速シミュレーションのための生成ニューラルネットワークへの最先端の応用について研究している。
GEANT Monte Carlo ツールキットを用いた従来のシミュレーション手法は正確ではあるが、計算的に要求される。
この論文は、コンピュータビジョンにおけるニューラルネットワークの適用、機械学習を用いた高速シミュレーション、高エネルギー物理学における生成ニューラルネットワークに関する包括的な文献レビューを提供する。
論文 参考訳（メタデータ） (2024-07-10T17:08:59Z) - Symplectic Autoencoders for Model Reduction of Hamiltonian Systems [0.0]
長期の数値安定性を確保するためには,システムに関連するシンプレクティックな構造を維持することが重要である。
本稿では,次元削減のための確立されたツールであるオートエンコーダの精神の中で,新しいニューラルネットワークアーキテクチャを提案する。
ネットワークのトレーニングには,非標準勾配降下法を適用した。
論文 参考訳（メタデータ） (2023-12-15T18:20:25Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - Conditional deep generative models as surrogates for spatial field
solution reconstruction with quantified uncertainty in Structural Health
Monitoring applications [0.0]
構造健康モニタリング(SHM)に関わる問題では,高次元データの処理と不確実性の定量化の両方が可能なモデルが必要である。
本稿では,そのような応用と高次元構造シミュレーションを主目的とした条件付き深部生成モデルを提案する。
このモデルは、参照有限要素(FE)ソリューションと比較して高い再構成精度を達成でき、同時に負荷不確実性を符号化することに成功した。
論文 参考訳（メタデータ） (2023-02-14T20:13:24Z) - Low-dimensional Data-based Surrogate Model of a Continuum-mechanical
Musculoskeletal System Based on Non-intrusive Model Order Reduction [0.0]
データ駆動型モデルオーダーリダクションを用いた代理モデルのような従来の手法は、高忠実度モデルをより広く利用するために用いられる。
ヒト上腕部の複素有限要素モデルに対する代理モデル手法の利点を実証する。
論文 参考訳（メタデータ） (2023-02-13T17:14:34Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - 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) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
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。