論文の概要: Accelerating Giant Impact Simulations with Machine Learning

• arxiv url: http://arxiv.org/abs/2408.08873v1
• Date: Fri, 16 Aug 2024 17:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 14:43:58.058749
• Title: Accelerating Giant Impact Simulations with Machine Learning
• Title（参考訳）: 機械学習による巨大衝撃シミュレーションの高速化
• Authors: Caleb Lammers, Miles Cranmer, Sam Hadden, Shirley Ho, Norman Murray, Daniel Tamayo,
• Abstract要約: 観測された太陽系外惑星の人口に基づく惑星形成モデルの制約は、合成惑星系の大規模なサンプルを生成する必要がある。 重要なボトルネックは、惑星の胚が重力的に進化して惑星を形成する巨大な衝突フェーズをシミュレートすることである。 本稿では,多惑星系における衝突結果を予測する機械学習(ML)手法を提案する。
• 参考スコア（独自算出の注目度）: 0.8325032895114773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constraining planet formation models based on the observed exoplanet population requires generating large samples of synthetic planetary systems, which can be computationally prohibitive. A significant bottleneck is simulating the giant impact phase, during which planetary embryos evolve gravitationally and combine to form planets, which may themselves experience later collisions. To accelerate giant impact simulations, we present a machine learning (ML) approach to predicting collisional outcomes in multiplanet systems. Trained on more than 500,000 $N$-body simulations of three-planet systems, we develop an ML model that can accurately predict which two planets will experience a collision, along with the state of the post-collision planets, from a short integration of the system's initial conditions. Our model greatly improves on non-ML baselines that rely on metrics from dynamics theory, which struggle to accurately predict which pair of planets will experience a collision. By combining with a model for predicting long-term stability, we create an efficient ML-based giant impact emulator, which can predict the outcomes of giant impact simulations with a speedup of up to four orders of magnitude. We expect our model to enable analyses that would not otherwise be computationally feasible. As such, we release our full training code, along with an easy-to-use API for our collision outcome model and giant impact emulator.
• Abstract（参考訳）: 観測された太陽系外惑星の人口に基づく惑星形成モデルの制約は、計算的に禁忌である合成惑星系の大量のサンプルを生成する必要がある。 重要なボトルネックは、惑星の胚が重力的に進化して惑星を形成する巨大な衝突フェーズをシミュレートすることである。 巨大衝突シミュレーションを高速化するために,多惑星系における衝突結果を予測する機械学習(ML)手法を提案する。 3つの惑星系を50万ドル以上でシミュレーションし、衝突した惑星と衝突した惑星の状態を正確に予測できるMLモデルを開発した。 我々のモデルは、どの惑星が衝突を経験するかを正確に予測するのに苦労するダイナミクス理論のメトリクスに依存する非MLベースラインを大幅に改善する。 長期安定予測モデルと組み合わせることで,最大4桁の速度で巨大衝撃シミュレーションの結果を予測する,効率的なMLベースの巨大衝撃エミュレータを構築する。 我々のモデルは、他の方法では計算可能でない分析を可能にすることを期待している。 そのため、私たちは完全なトレーニングコードと、衝突結果モデルと巨大なインパクトエミュレータのための使いやすいAPIをリリースしています。

関連論文リスト

• Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
  我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。 我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。 本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-06-06T07:34:58Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• ELSA -- Enhanced latent spaces for improved collider simulations [0.1450405446885067]
  シミュレーションは、コライダー物理学における推論において重要な役割を果たす。 機械学習を用いてシミュレーションの精度を高めるための様々なアプローチを探索する。 修正されたシミュレーションは、幅広い位相空間にわたって、サブパーセンテージの精度を達成することができる。
  論文  参考訳（メタデータ） (2023-05-12T18:00:03Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• Residual Neural Networks for the Prediction of Planetary Collision Outcomes [0.0]
  N体惑星形成シミュレーションにおいて,衝突の迅速かつ正確な処理を行う機械学習(ML)モデルを提案する。 我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。 我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
  論文  参考訳（メタデータ） (2022-10-09T12:42:43Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• Multi-Output Random Forest Regression to Emulate the Earliest Stages of Planet Formation [0.1657441317977376]
  我々は、より高速に近似するシステムを設計するために、機械学習のアプローチを取ります。 ブリュート力シミュレーションデータに基づく多出力ランダムフォレスト回帰モデルを開発した。 その結果,ランダムフォレストモデルがブルト力シミュレーション結果に対して高精度な予測を生成できることが示唆された。
  論文  参考訳（メタデータ） (2021-04-26T19:51:40Z)
• Probabilistic Programming Bots in Intuitive Physics Game Play [0.0]
  直感的な物理環境と対話するための確率的プログラミングツールをボットが展開するためのフレームワークを提案する。 この枠組みは、確率論的方法で物理シミュレーションを用い、ニュートン運動の法則によって支配される環境でエージェントが行う動きを推測する。 モデルフリーアプローチ(我々のモデルにおける畳み込みニューラルネットワーク)とモデルベースアプローチ(確率物理学シミュレーション)を組み合わせることで、どちらも実現できないものを実現できるアプローチを提示する。
  論文  参考訳（メタデータ） (2021-04-05T16:14:41Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)

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。