論文の概要: Physics aware machine learning for micromagnetic energy minimization: recent algorithmic developments
- arxiv url: http://arxiv.org/abs/2409.12877v1
- Date: Thu, 19 Sep 2024 16:22:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 13:10:09.663580
- Title: Physics aware machine learning for micromagnetic energy minimization: recent algorithmic developments
- Title（参考訳）: マイクロマグネティックエネルギー最小化のための物理知能機械学習 : 最近のアルゴリズム開発
- Authors: Sebastian Schaffer, Thomas Schrefl, Harald Oezelt, Norbert J Mauser, Lukas Exl,
- Abstract要約: ブラウンの静電自己エネルギーに対する境界の上に構築し、伝達問題の変分定式化の文脈でそれらの応用を再検討する。
有限領域上のこれらの境界を再構成し、数値シミュレーションの手法をより効率的かつスケーラブルにする。
その結果,メッシュフリーな物理インフォームドニューラルネットワーク(PINN)とELM(Extreme Learning Machines)が,厳しい制約と統合される可能性を強調した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we explore advanced machine learning techniques for minimizing Gibbs free energy in full 3D micromagnetic simulations. Building on Brown's bounds for magnetostatic self-energy, we revisit their application in the context of variational formulations of the transmission problems for the scalar and vector potential. To overcome the computational challenges posed by whole-space integrals, we reformulate these bounds on a finite domain, making the method more efficient and scalable for numerical simulation. Our approach utilizes an alternating optimization scheme for joint minimization of Brown's energy bounds and the Gibbs free energy. The Cayley transform is employed to rigorously enforce the unit norm constraint, while R-functions are used to impose essential boundary conditions in the computation of magnetostatic fields. Our results highlight the potential of mesh-free Physics-Informed Neural Networks (PINNs) and Extreme Learning Machines (ELMs) when integrated with hard constraints, providing highly accurate approximations. These methods exhibit competitive performance compared to traditional numerical approaches, showing significant promise in computing magnetostatic fields and the application for energy minimization, such as the computation of hysteresis curves. This work opens the path for future directions of research on more complex geometries, such as grain structure models, and the application to large scale problem settings which are intractable with traditional numerical methods.
- Abstract（参考訳）: 本研究では,ギブス自由エネルギーを最小化するための高度な機械学習手法を,フル3次元マイクロ磁気シミュレーションで検討する。
ブラウンの静電自己エネルギー境界に基づいて、スカラーおよびベクトルポテンシャルの伝達問題の変分定式化の文脈でそれらの応用を再考する。
空間積分によって引き起こされる計算課題を克服するため、有限領域上のこれらの境界を再構成し、数値シミュレーションにおいてより効率的でスケーラブルにする。
提案手法では,ブラウンエネルギー境界とギブス自由エネルギーの結合最小化を交互に最適化する手法を用いる。
ケイリー変換は単位ノルム制約を厳格に強制するために使用され、一方R-函数は静磁場の計算において必須境界条件を課すために用いられる。
本研究は,メッシュレス物理情報ニューラルネットワーク(PINN)とELM(Extreme Learning Machines)が,厳密な制約と統合される可能性を強調し,高精度な近似を提供する。
これらの手法は従来の数値計算法と比較して競争性能が優れており、静磁場の計算やヒステリシス曲線の計算などのエネルギー最小化への応用が期待できる。
この研究は、穀物構造モデルのようなより複雑な測地の研究の今後の方向性と、従来の数値法で計算可能な大規模問題設定への応用の道を開く。
関連論文リスト
- Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models [19.871787625519513]
我々は、トレーニング可能なニューラルネットワークで表されるアルケミカル経路に沿って熱力学積分(TI)を実行することを提案する。
本研究では、相互作用系と非相互作用系の間の時間依存ハミルトン補間をパラメトリズし、その勾配を最適化する。
すべての中間アンサンブルをサンプリングするエネルギーベース拡散モデルの能力により、単一の参照計算からTIを実行することができる。
論文 参考訳（メタデータ） (2024-06-04T13:42:42Z) - Feynman Diagrams as Computational Graphs [6.128507107025731]
量子場理論(QFT)における高階ファインマン図の計算グラフ表現を提案する。
提案手法は,これらの図をテンソル演算のフラクタル構造に効果的に整理し,計算冗長性を著しく低減する。
我々の研究は、QFTと機械学習の相乗効果を実証し、複雑な量子多体問題にAI技術を適用するための新たな道を確立する。
論文 参考訳（メタデータ） (2024-02-28T03:45:55Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳（メタデータ） (2023-03-01T10:38:10Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳（メタデータ） (2021-12-10T17:32:15Z) - Rotation Invariant Graph Neural Networks using Spin Convolutions [28.4962005849904]
機械学習アプローチは、密度汎関数理論(DFT)を計算的に効率的に近似する可能性がある。
グラフニューラルネットワークにおいて,隣り合う原子の集合間の角度情報をモデル化するための新しい手法を提案する。
結果は大規模なOpen Catalyst 2020データセットで実証されている。
論文 参考訳（メタデータ） (2021-06-17T14:59:34Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z) - Dominant Reaction Pathways by Quantum Computing [0.0]
高次元粗いエネルギー表面における熱活性化遷移を特徴付けることは、古典的コンピュータにとって難しい課題である。
この問題を解決するために量子アニール法を開発した。
我々は、現実的な全原子モデルに基づく量子コンピューティングの将来の生物物理学応用への道を開いた。
論文 参考訳（メタデータ） (2020-07-27T18:05:05Z) - A resource efficient approach for quantum and classical simulations of
gauge theories in particle physics [0.0]
格子ゲージ理論(LGT)の計算は、基本的な相互作用の理解において重要である。
ハミルトニアンの定式化には無限次元のゲージの度合いが関係しており、これは単にトランケーションでしか扱えない。
ハミルトンの定式化において、LGTを連続ゲージ群でシミュレートするための資源効率のよいプロトコルを提供する。
論文 参考訳（メタデータ） (2020-06-25T04:10:11Z)
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。