論文の概要: Neural Operator for Accelerating Coronal Magnetic Field Model

• arxiv url: http://arxiv.org/abs/2405.12754v2
• Date: Thu, 27 Jun 2024 02:03:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 18:56:54.854445
• Title: Neural Operator for Accelerating Coronal Magnetic Field Model
• Title（参考訳）: 加速コロナ磁場モデルのためのニューラル演算子
• Authors: Yutao Du, Qin Li, Raghav Gnanasambandam, Mengnan Du, Haimin Wang, Bo Shen,
• Abstract要約: 磁気流体力学(MHD)シミュレーションは、これらの相互作用をモデル化するのに役立つが、非常に時間を要する(通常、数日のスケールで)。 我々の研究は、FNO(Fourier Neural Operator)を用いて磁場モデリング、特にBifrost MHDモデルを加速する。 物理解析により、TFNOは信頼性が高く、高精度でMHDシミュレーションを加速できることを確認した。 この進歩はデータ処理の効率を改善し、予測能力を高め、磁気トポロジをよりよく理解する。
• 参考スコア（独自算出の注目度）: 17.256941005824576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Studying the sun's outer atmosphere is challenging due to its complex magnetic fields impacting solar activities. Magnetohydrodynamics (MHD) simulations help model these interactions but are extremely time-consuming (usually on a scale of days). Our research applies the Fourier Neural Operator (FNO) to accelerate the coronal magnetic field modeling, specifically, the Bifrost MHD model. We apply Tensorized FNO (TFNO) to generate solutions from partial differential equations (PDEs) over a 3D domain efficiently. TFNO's performance is compared with other deep learning methods, highlighting its accuracy and scalability. Physics analysis confirms that TFNO is reliable and capable of accelerating MHD simulations with high precision. This advancement improves efficiency in data handling, enhances predictive capabilities, and provides a better understanding of magnetic topologies.
• Abstract（参考訳）: 太陽の大気の研究は、太陽活動に影響を及ぼす複雑な磁場のために難しい。 磁気流体力学(MHD)シミュレーションはこれらの相互作用をモデル化するのに役立つが、非常に時間がかかる(通常は数日のスケールで)。 我々の研究は、FNO(Fourier Neural Operator)を用いて、コロナ磁場モデリング、特にBifrost MHDモデルを加速する。 本研究では, 3次元領域上の偏微分方程式(PDE)から解を生成するために, TFNO (Tensorized FNO) を適用した。 TFNOの性能は他のディープラーニング手法と比較され、その正確さとスケーラビリティを強調している。 物理解析により、TFNOは信頼性が高く、高精度でMHDシミュレーションを加速できることを確認した。 この進歩はデータ処理の効率を改善し、予測能力を高め、磁気トポロジをよりよく理解する。

関連論文リスト

• Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration [5.77922305904338]
  データ駆動機械学習を用いた代理モデリングは、物理学に基づくシミュレーションを加速する上で有望な代替手段となっている。 我々は、FNOの表現性と深層演算ネットワーク(DeepONet)のモジュラリティを組み合わせることにより、ネストしたフーリエ・ディープONetを開発した。 この新しいフレームワークは、トレーニング用のネストされたFNOの2倍効率が高く、少なくとも80%低いGPUメモリを必要とする。
  論文  参考訳（メタデータ） (2024-09-25T02:58:45Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• 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)
• Multiple-Input Fourier Neural Operator (MIFNO) for source-dependent 3D elastodynamics [0.0]
  この研究は、材料特性を表す構造化3Dフィールドを扱うためのMultiple-Input Fourier Neural Operator (MIFNO)を導入している。 MIFNOは、地球の地殻における弾性波伝搬の問題に適用される。 HEMEWS-3Dデータベース上で, 異種領域の地震シミュレーションを30万回行った。
  論文  参考訳（メタデータ） (2024-04-15T20:07:44Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• U-FNO -- an enhanced Fourier neural operator based-deep learning model for multiphase flow [43.572675744374415]
  多相フロー問題を解くための拡張フーリエニューラル演算子U-FNOを提案する。 U-FNOアーキテクチャは従来のCNNとオリジナルFNOの両方の利点があり、より正確で効率的な性能を提供する。 訓練されたU-FNOは、従来の数値シミュレータと比較して1万倍の速度でガス飽和と圧力上昇を予測する。
  論文  参考訳（メタデータ） (2021-09-03T17:52:25Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)

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。