論文の概要: Learning to Simulate Aerosol Dynamics with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2409.13861v1
- Date: Fri, 20 Sep 2024 19:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 04:50:50.849949
- Title: Learning to Simulate Aerosol Dynamics with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによるエアロゾルダイナミクスのシミュレーション
- Authors: Fabiana Ferracina, Payton Beeler, Mahantesh Halappanavar, Bala Krishnamoorthy, Marco Minutoli, Laura Fierce,
- Abstract要約: 大気エアロゾルが気候、天候、大気品質に与える影響は、個々の粒子の特性に依存する。
粒子分解モデルは、粒子物理化学的性質においてこの多様性を捉えることができる唯一のモデルであり、これらのモデルは計算的に高価である。
本稿では,このモデルを用いて粒子分解モデルPartMC-MOSAICのサロゲートを学習する。
結果は、フレームワークが化学力学を正確に学習し、異なるシナリオをまたいで一般化し、効率的なトレーニングと予測時間を達成する能力を示す。
- 参考スコア（独自算出の注目度）: 3.3827383663816364
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Aerosol effects on climate, weather, and air quality depend on characteristics of individual particles, which are tremendously diverse and change in time. Particle-resolved models are the only models able to capture this diversity in particle physiochemical properties, and these models are computationally expensive. As a strategy for accelerating particle-resolved microphysics models, we introduce Graph-based Learning of Aerosol Dynamics (GLAD) and use this model to train a surrogate of the particle-resolved model PartMC-MOSAIC. GLAD implements a Graph Network-based Simulator (GNS), a machine learning framework that has been used to simulate particle-based fluid dynamics models. In GLAD, each particle is represented as a node in a graph, and the evolution of the particle population over time is simulated through learned message passing. We demonstrate our GNS approach on a simple aerosol system that includes condensation of sulfuric acid onto particles composed of sulfate, black carbon, organic carbon, and water. A graph with particles as nodes is constructed, and a graph neural network (GNN) is then trained using the model output from PartMC-MOSAIC. The trained GNN can then be used for simulating and predicting aerosol dynamics over time. Results demonstrate the framework's ability to accurately learn chemical dynamics and generalize across different scenarios, achieving efficient training and prediction times. We evaluate the performance across three scenarios, highlighting the framework's robustness and adaptability in modeling aerosol microphysics and chemistry.
- Abstract（参考訳）: 大気エアロゾルが気候、天候、大気品質に与える影響は、個々の粒子の特性に依存する。
粒子分解モデルは、粒子物理化学的性質においてこの多様性を捉えることができる唯一のモデルであり、これらのモデルは計算的に高価である。
粒子分解マイクロフィジカルモデルの加速戦略として、グラフベースのエアロゾルダイナミクス学習(GLAD)を導入し、このモデルを用いて粒子分解モデルPartMC-MOSAICのサロゲートを訓練する。
GLADは、粒子ベースの流体力学モデルをシミュレートするために使用されている機械学習フレームワークであるGraph Network-based Simulator (GNS)を実装している。
GLADでは、各粒子はグラフ内のノードとして表現され、時間とともに粒子の個体群の進化は、学習されたメッセージパッシングによってシミュレートされる。
我々は,硫酸塩,黒炭素,有機炭素,水からなる粒子に硫酸を凝縮させる単純なエアロゾルシステムに対するGNSアプローチを実証した。
ノードとして粒子を持つグラフを構築し、PartMC-MOSAICから出力されたモデルを用いてグラフニューラルネットワーク(GNN)を訓練する。
トレーニングされたGNNは、時間とともにエアロゾルのダイナミクスをシミュレートし、予測するために使用することができる。
結果は、フレームワークが化学力学を正確に学習し、異なるシナリオをまたいで一般化し、効率的なトレーニングと予測時間を達成する能力を示す。
エアロゾルマイクロ物理と化学のモデリングにおけるフレームワークの堅牢性と適応性を強調し,3つのシナリオにまたがる性能評価を行った。
関連論文リスト
- Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - Graph Neural Networks-based Hybrid Framework For Predicting Particle
Crushing Strength [31.05985193732974]
粒子破砕の機械的挙動を特徴付けるためにグラフニューラルネットワークを用いる。
我々は,粒状フラグメントビューにおける粒子破砕強度を予測するために,GNNに基づくハイブリッドフレームワークを考案した。
我々のデータとコードはhttps://github.com/doujiang-zheng/GNN-For-Particle-Crushingで公開されています。
論文 参考訳（メタデータ） (2023-07-26T02:18:04Z) - 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) - Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning [6.91821181311687]
等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
論文 参考訳（メタデータ） (2022-10-05T15:46:28Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - Deep-learning-based prediction of nanoparticle phase transitions during
in situ transmission electron microscopy [3.613625739845355]
我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。
この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。
新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
論文 参考訳（メタデータ） (2022-05-23T15:50:24Z) - 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) - Learning 3D Granular Flow Simulations [6.308272531414633]
離散要素法LIGGGHTSにより生成された複雑な3次元粒状流シミュレーションプロセスの正確なモデリングに向けたグラフニューラルネットワークアプローチを提案する。
本稿では,3次元物体,境界条件,粒子-粒子,粒子-境界相互作用を扱うグラフニューラルネットワークの実装方法について論じる。
論文 参考訳（メタデータ） (2021-05-04T17:27:59Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。