論文の概要: Physics-guided weak-form discovery of reduced-order models for trapped ultracold hydrodynamics

• arxiv url: http://arxiv.org/abs/2406.07519v1
• Date: Tue, 11 Jun 2024 17:50:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 14:36:00.942216
• Title: Physics-guided weak-form discovery of reduced-order models for trapped ultracold hydrodynamics
• Title（参考訳）: 閉じ込められた超低温流体力学のための低次モデルの物理誘導弱形式発見
• Authors: Reuben R. W. Wang, Daniel Messenger,
• Abstract要約: 極性分子の高衝突・超低温・非退化ガスの緩和について検討した。 気体は流体ガスと流体ガスが結合し、一階の流体力学が崩壊する。 我々は,これらの観測値に対して,大幅に改良された低次モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the relaxation of a highly collisional, ultracold but nondegenerate gas of polar molecules. Confined within a harmonic trap, the gas is subject to fluid-gaseous coupled dynamics that lead to a breakdown of first-order hydrodynamics. An attempt to treat these higher-order hydrodynamic effects was previously made with a Gaussian ansatz and coarse-graining model parameter [R. R. W. Wang & J. L. Bohn, Phys. Rev. A 108, 013322 (2023)], leading to an approximate set of equations for a few collective observables accessible to experiments. Here we present substantially improved reduced-order models for these same observables, admissible beyond previous parameter regimes, discovered directly from particle simulations using the WSINDy algorithm (Weak-form Sparse Identification of Nonlinear Dynamics). The interpretable nature of the learning algorithm enables estimation of previously unknown physical quantities and discovery of model terms with candidate physical mechanisms, revealing new physics in mixed collisional regimes. Our approach constitutes a general framework for data-driven model identification leveraging known physics.
• Abstract（参考訳）: 極性分子の高衝突・超低温・非退化ガスの緩和について検討した。 ハーモニックトラップの中に閉じ込められ、気体は流体-気体結合力学の対象となり、一階の流体力学が崩壊する。 これらの高次流体力学効果を扱いようとする試みは、以前はガウスアンザッツと粗粒モデルパラメータ(R. R. W. Wang & J. L. Bohn, Phys. Rev. A 108, 013322 (2023)))を用いて行われ、実験に利用できるいくつかの集合観測可能な方程式を近似した。 そこで本研究では,WSINDyアルゴリズムを用いて粒子シミュレーションから直接検出した,従来のパラメータ規則を超越した,これらの観測可能な観測値に対する大幅に改善された次数モデルを提案する。 学習アルゴリズムの解釈可能な性質は、既知の物理量の推定と、候補となる物理機構によるモデル項の発見を可能にし、混合衝突状態における新しい物理を明らかにする。 本手法は、既知物理を利用したデータ駆動モデル同定のための一般的なフレームワークを構成する。

関連論文リスト

• Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
  我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。 提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T19:05:28Z)
• HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
  HelmFluidは流体の正確かつ解釈可能な予測器である。 ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。 HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
  論文  参考訳（メタデータ） (2023-10-16T16:38:32Z)
• 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)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• CD-ROM: Complemented Deep-Reduced Order Model [2.02258267891574]
  本稿では,古典的POD-Galerkinリミットオーダーモデル(ROM)に対するディープラーニングに基づくクロージャモデリング手法を提案する。 提案手法は、ニューラルネットワークを用いてよく研究された演算子を近似して理論的に基礎づけられている。 CD-ROMアプローチの能力は、計算流体力学(英語版)の古典的な2つの例とパラメトリックなケースである倉本-シヴァシンスキー方程式(英語版)で実証される。
  論文  参考訳（メタデータ） (2022-02-22T09:05:06Z)
• Discovering hydrodynamic equations of many-body quantum systems [0.0]
  利用可能な限られたデータから有効な方程式を自動発見するための新しい機械学習フレームワークを開発する。 我々は、既知の流体力学方程式を再現し、新しい方程式を著しく発見し、その導出を提供する。 我々の手法は、非摂動状態における量子材料と量子シミュレータの性質を研究するための新しい解釈可能な方法を提供する。
  論文  参考訳（メタデータ） (2021-11-03T17:55:07Z)
• 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)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Learning Unknown Physics of non-Newtonian Fluids [56.9557910899739]
  我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。 PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。 PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
  論文  参考訳（メタデータ） (2020-08-26T20:41:36Z)

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。