論文の概要: Accelerating the discovery of steady-states of planetary interior dynamics with machine learning
- arxiv url: http://arxiv.org/abs/2408.17298v1
- Date: Fri, 30 Aug 2024 13:55:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 15:08:40.282413
- Title: Accelerating the discovery of steady-states of planetary interior dynamics with machine learning
- Title（参考訳）: 機械学習による惑星内部力学の定常状態の発見の加速
- Authors: Siddhant Agarwal, Nicola Tosi, Christian Hüttig, David S. Greenberg, Ali Can Bekar,
- Abstract要約: 機械学習を用いてマントル対流シミュレーションを高速化する概念を提案する。
我々は97のシミュレーションに基づいてフィードフォワードニューラルネットワークをトレーニングし、定常的な温度分布を予測する。
定常状態に達するために必要な時間ステップの数は、中央値3.75で減少する。
- 参考スコア（独自算出の注目度）: 2.4608654148475235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating mantle convection often requires reaching a computationally expensive steady-state, crucial for deriving scaling laws for thermal and dynamical flow properties and benchmarking numerical solutions. The strong temperature dependence of the rheology of mantle rocks causes viscosity variations of several orders of magnitude, leading to a slow-evolving stagnant lid where heat conduction dominates, overlying a rapidly-evolving and strongly convecting region. Time-stepping methods, while effective for fluids with constant viscosity, are hindered by the Courant criterion, which restricts the time step based on the system's maximum velocity and grid size. Consequently, achieving steady-state requires a large number of time steps due to the disparate time scales governing the stagnant and convecting regions. We present a concept for accelerating mantle convection simulations using machine learning. We generate a dataset of 128 two-dimensional simulations with mixed basal and internal heating, and pressure- and temperature-dependent viscosity. We train a feedforward neural network on 97 simulations to predict steady-state temperature profiles. These can then be used to initialize numerical time stepping methods for different simulation parameters. Compared to typical initializations, the number of time steps required to reach steady-state is reduced by a median factor of 3.75. The benefit of this method lies in requiring very few simulations to train on, providing a solution with no prediction error as we initialize a numerical method, and posing minimal computational overhead at inference time. We demonstrate the effectiveness of our approach and discuss the potential implications for accelerated simulations for advancing mantle convection research.
- Abstract（参考訳）: マントル対流をシミュレーションするには、しばしば計算に高価な定常状態に到達し、熱的および動的フロー特性のスケーリング法則を導出し、数値解のベンチマークを行うのに不可欠である。
マントル岩のレオロジーの強い温度依存性は、数桁の粘度変化を引き起こし、熱伝導が支配する緩やかに進行する停滞した蓋を生じさせ、急速に進化し、強く対流する領域を覆っている。
時間ステッピング法は、粘度が一定である流体に対して有効であるが、システムの最大速度とグリッドサイズに基づいて時間ステップを制限するCourant criterionによって妨げられる。
したがって、定常状態を達成するには、定常領域と対流領域を管理する異なる時間スケールのために、多くの時間ステップが必要となる。
機械学習を用いてマントル対流シミュレーションを高速化する概念を提案する。
基礎と内部の加熱を混合した128の二次元シミュレーションと,圧力および温度依存性の粘度のデータセットを生成した。
我々は97のシミュレーションに基づいてフィードフォワードニューラルネットワークをトレーニングし、定常的な温度分布を予測する。
これらは、異なるシミュレーションパラメータの数値時間ステップメソッドの初期化に使用できる。
典型的な初期化と比較すると、定常状態に達するために必要な時間ステップの数は3.75倍に減少する。
この手法の利点は、トレーニングするシミュレーションが極めて少なく、数値的な手法を初期化する際に予測誤差のないソリューションを提供し、推論時に計算オーバーヘッドを最小限に抑えることである。
提案手法の有効性を実証し,マントル対流促進研究における加速シミュレーションの可能性について考察する。
関連論文リスト
- Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - Accelerating Simulation of Two-Phase Flows with Neural PDE Surrogates [3.909855210960908]
二相流問題のスケーリングシミュレーションを支援するツールとして,ニューラルPDEソルバを検討・拡張する。
この問題に対する既存の数値解法を、領域の様々な測度を含むより複雑な設定に拡張する。
その結果,最大3桁の速さで液滴力学を正確にモデル化できることがわかった。
論文 参考訳（メタデータ） (2024-05-27T15:18:12Z) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳（メタデータ） (2023-12-08T23:44:54Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳（メタデータ） (2023-06-23T07:53:09Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳（メタデータ） (2022-08-07T09:02:18Z) - 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) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳（メタデータ） (2020-12-16T21:43:38Z) - Uncertainty estimation for molecular dynamics and sampling [0.0]
機械学習モデルは、時間を要する電子構造計算をサイドステップする非常に効果的な戦略として登場した。
モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。
本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。
論文 参考訳（メタデータ） (2020-11-10T00:07:50Z) - ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。
流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。
畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
論文 参考訳（メタデータ） (2020-04-22T01:55:59Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。