論文の概要: NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets
- arxiv url: http://arxiv.org/abs/2410.14986v1
- Date: Sat, 19 Oct 2024 05:25:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:19:30.502488
- Title: NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets
- Title（参考訳）: ニューラルマグネティック:ディープ・ニューラルネットを用いた高速で一般化可能なマイクロマグネティックシミュレーション
- Authors: Yunqi Cai, Jiangnan Li, Dong Wang,
- Abstract要約: 我々は,マイクロ磁気シミュレーションの深層学習手法であるNeuralMAGを紹介する。
我々のアプローチは、LLG反復フレームワークに従うが、U字型ニューラルネットワーク(Unet)の利用により磁場の非磁性化を加速する。
既存のニューラルネットワークとは異なり、NeuralMAGは特定のタスクに対するエンドツーエンドの近似ではなく、コア計算に集中しており、本質的に一般化可能である。
- 参考スコア（独自算出の注目度）: 9.674100498903844
- License:
- Abstract: Micromagnetics has made significant strides, particularly due to its wide-ranging applications in magnetic storage design. Numerical simulation is a cornerstone of micromagnetics research, relying on first-principle rules to compute the dynamic evolution of micromagnetic systems based on the renowned LLG equation, named after Landau, Lifshitz, and Gilbert. However, simulations are often hindered by their slow speed. Although Fast-Fourier transformation (FFT) calculations reduce the computational complexity to O(NlogN), it remains impractical for large-scale simulations. In this paper, we introduce NeuralMAG, a deep learning approach to micromagnetic simulation. Our approach follows the LLG iterative framework but accelerates demagnetizing field computation through the employment of a U-shaped neural network (Unet). The Unet architecture comprises an encoder that extracts aggregated spins at various scales and learns the local interaction at each scale, followed by a decoder that accumulates the local interactions at different scales to approximate the global convolution. This divide-and-accumulate scheme achieves a time complexity of O(N), significantly enhancing the speed and feasibility of large-scale simulations. Unlike existing neural methods, NeuralMAG concentrates on the core computation rather than an end-to-end approximation for a specific task, making it inherently generalizable. To validate the new approach, we trained a single model and evaluated it on two micromagnetics tasks with various sample sizes, shapes, and material settings.
- Abstract（参考訳）: マイクロマグネティクスは、特に磁気記憶設計における幅広い応用のために、大きな進歩を遂げている。
数値シミュレーションは、Landau、Lifshitz、Gilbertに因んで名高いLSG方程式に基づいて、マイクロマグネティックシステムの動的進化を計算するための第一原理的なルールに依存する、マイクロマグネティックス研究の基盤である。
しかし、シミュレーションはその速度が遅いためにしばしば妨げられる。
高速フーリエ変換(FFT)計算は計算複雑性をO(NlogN)に還元するが、大規模シミュレーションでは実用的ではない。
本稿では,マイクロ磁気シミュレーションの深層学習手法であるNeuralMAGを紹介する。
提案手法はLLGの反復的枠組みに従うが,U字型ニューラルネットワーク(Unet)の利用により磁場の非磁性化を加速する。
Unetアーキテクチャは、様々なスケールで集約されたスピンを抽出し、各スケールで局所的な相互作用を学習するエンコーダと、異なるスケールで局所的な相互作用を蓄積して大域的な畳み込みを近似するデコーダから構成される。
この分割累積方式はO(N)の時間的複雑さを達成し、大規模シミュレーションの速度と実現可能性を大幅に向上させる。
既存のニューラルネットワークとは異なり、NeuralMAGは特定のタスクに対するエンドツーエンドの近似ではなく、コア計算に集中しており、本質的に一般化可能である。
新たなアプローチを検証するため,1つのモデルをトレーニングし,サンプルサイズ,形状,材料設定の異なる2つのマイクロマグネティックスタスクで評価した。
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) - Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-08-19T09:14:25Z) - 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) - 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) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - 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) - Hybrid Physical-Neural ODEs for Fast N-body Simulations [0.22419496088582863]
我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。
提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
論文 参考訳（メタデータ） (2022-07-12T13:06:06Z) - REMuS-GNN: A Rotation-Equivariant Model for Simulating Continuum
Dynamics [0.0]
本稿では,連続体力学系をシミュレーションする回転同変マルチスケールモデルREMuS-GNNを紹介する。
楕円円柱まわりの非圧縮性流れについて,本手法の実証と評価を行った。
論文 参考訳（メタデータ） (2022-05-05T16:20:37Z) - 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) - 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)
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。