論文の概要: COmoving Computer Acceleration (COCA): $N$-body simulations in an emulated frame of reference

• arxiv url: http://arxiv.org/abs/2409.02154v1
• Date: Tue, 3 Sep 2024 17:27:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 21:39:27.038372
• Title: COmoving Computer Acceleration (COCA): $N$-body simulations in an emulated frame of reference
• Title（参考訳）: Comoving Computer Acceleration (COCA):エミュレートされた参照フレームにおける$N$bodyシミュレーション
• Authors: Deaglan J. Bartlett, Marco Chiarenza, Ludvig Doeser, Florent Leclercq,
• Abstract要約: 我々は,ハイブリッドフレームワークであるComoving Computer Acceleration (COCA)を紹介した。 正確な運動方程式は、基準のエミュレートされたフレームで解き、任意のエミュレーション誤差を設計によって補正する。 COCAは、粒子軌道におけるエミュレーション誤差を効率的に低減し、MLなしで対応するシミュレーションを実行するよりもはるかに少ない力評価を必要とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: $N$-body simulations are computationally expensive, so machine-learning (ML)-based emulation techniques have emerged as a way to increase their speed. Although fast, surrogate models have limited trustworthiness due to potentially substantial emulation errors that current approaches cannot correct for. To alleviate this problem, we introduce COmoving Computer Acceleration (COCA), a hybrid framework interfacing ML with an $N$-body simulator. The correct physical equations of motion are solved in an emulated frame of reference, so that any emulation error is corrected by design. This approach corresponds to solving for the perturbation of particle trajectories around the machine-learnt solution, which is computationally cheaper than obtaining the full solution, yet is guaranteed to converge to the truth as one increases the number of force evaluations. Although applicable to any ML algorithm and $N$-body simulator, this approach is assessed in the particular case of particle-mesh cosmological simulations in a frame of reference predicted by a convolutional neural network, where the time dependence is encoded as an additional input parameter to the network. COCA efficiently reduces emulation errors in particle trajectories, requiring far fewer force evaluations than running the corresponding simulation without ML. We obtain accurate final density and velocity fields for a reduced computational budget. We demonstrate that this method shows robustness when applied to examples outside the range of the training data. When compared to the direct emulation of the Lagrangian displacement field using the same training resources, COCA's ability to correct emulation errors results in more accurate predictions. COCA makes $N$-body simulations cheaper by skipping unnecessary force evaluations, while still solving the correct equations of motion and correcting for emulation errors made by ML.
• Abstract（参考訳）: N$bodyシミュレーションは計算コストが高く、機械学習(ML)ベースのエミュレーション技術がスピード向上の手段として登場した。 高速ではあるが、サロゲートモデルは、現在のアプローチでは修正できない重大なエミュレーションエラーのため、信頼性が制限される。 この問題を軽減するために,MLとN$bodyシミュレータを併用したハイブリッドフレームワークであるComoving Computer Acceleration (COCA)を導入する。 正確な運動方程式は、基準のエミュレートされたフレームで解き、任意のエミュレーション誤差を設計によって補正する。 このアプローチは、完全な解を得るよりも計算的に安価であるが、力評価の数が増えるにつれて真理に収束することが保証される機械リアラント解のまわりの粒子軌道の摂動の解に対応する。 任意のMLアルゴリズムや$N$bodyシミュレータに適用できるが、畳み込みニューラルネットワークによって予測される参照フレームにおける粒子・メシュ宇宙学シミュレーションの特定の場合において、ネットワークへの追加入力パラメータとして時間依存が符号化される。 COCAは、粒子軌道におけるエミュレーション誤差を効率的に低減し、MLなしで対応するシミュレーションを実行するよりもはるかに少ない力評価を必要とする。 計算予算の削減のために, 精度の高い最終密度と速度場を得る。 本手法は,トレーニングデータの範囲外に適用した場合のロバスト性を示す。 同じ訓練資源を用いたラグランジアン変位場の直接エミュレーションと比較すると、COCAのエミュレーション誤差を補正する能力はより正確な予測をもたらす。 COCAは、不必要な力の評価をスキップしながら、正しい動作方程式を解き、MLによるエミュレーションエラーを補正することで、N$bodyシミュレーションを安くする。

関連論文リスト

• A Neural Material Point Method for Particle-based Simulations [5.4346288442609945]
  本稿では,粒子シミュレーションのためのニューラルネットワークエミュレーションフレームワークNeuralMPMを提案する。 NeuralMPMは、ラグランジュ粒子を固定サイズグリッドに補間し、イメージ・ツー・イメージニューラルネットワークを使用してグリッドノードの更新を計算し、粒子に補間する。 流体力学や流体-固体相互作用など,いくつかのデータセット上でのNeuralMPMの利点を実証する。
  論文  参考訳（メタデータ） (2024-08-28T12:39:51Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Accelerating hypersonic reentry simulations using deep learning-based hybridization (with guarantees) [0.0]
  我々は流体力学と化学反応のカップリングを伴う超音速惑星再突入問題に焦点を当てた。 化学反応のシミュレーションには計算時間の大半を要するが、正確な予測を得るためには避けられない。 従来の流体力学解法と化学反応を近似したニューラルネットワークを結合したハイブリッドシミュレーション符号を設計する。
  論文  参考訳（メタデータ） (2022-09-27T14:41:56Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Deep Neural Networks to Correct Sub-Precision Errors in CFD [0.0]
  いくつかの機械学習技術は、空間的離散化による誤差の修正に成功している。 畳み込みニューラルネットワークと完全に微分可能な数値解法を用いて、16ビットの算術演算を行い、密結合型ML-CFDハイブリッド解法を学習する。 16ビットの解法と比較して, ML-CFDハイブリッド解法は, 速度場の誤差蓄積を低減し, 高周波数での運動エネルギースペクトルを改善するのに有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-09T02:32:40Z)
• Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning [0.0]
  部分スケールの予測は多くの小規模シミュレーションを必要とする。 LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。 我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
  論文  参考訳（メタデータ） (2022-02-02T17:24:16Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)
• CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural Network Approach [5.365198933008246]
  CSM-NNは、最適化されたニューラルネットワーク構造と処理アルゴリズムを備えたスケーラブルなシミュレーションフレームワークである。 実験によると、CSM-NNはCPU上で動作する最先端のソースモデルベースのシミュレータと比較して、シミュレーション時間を最大6倍に短縮する。 CSM-NNはまた、HSPICEと比較して2%以下の誤差で高い精度のレベルを提供する。
  論文  参考訳（メタデータ） (2020-02-13T00:29:44Z)

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。