論文の概要: 3D-PDR Orion dataset and NeuralPDR: Neural Differential Equations for Photodissociation Regions
- arxiv url: http://arxiv.org/abs/2412.00758v1
- Date: Sun, 01 Dec 2024 10:30:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:40:57.366091
- Title: 3D-PDR Orion dataset and NeuralPDR: Neural Differential Equations for Photodissociation Regions
- Title（参考訳）: 3D-PDRオリオンデータセットとニューラルPDR:光解離領域に対するニューラル微分方程式
- Authors: Gijs Vermariën, Serena Viti, Rahul Ravichandran, Thomas G. Bisbas,
- Abstract要約: オリオンバーにおける光解離領域(PDR)のシミュレーションデータセットを提案する。
3D-PDRでシミュレートした初期条件の異なる8192モデルのデータセットを提供する。
次に、Augmented Neural Ordinary Differential Equation (ANODE)ベースのモデルに焦点を当て、異なるアーキテクチャをベンチマークする。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: We present a novel dataset of simulations of the photodissociation region (PDR) in the Orion Bar and provide benchmarks of emulators for the dataset. Numerical models of PDRs are computationally expensive since the modeling of these changing regions requires resolving the thermal balance and chemical composition along a line-of-sight into an interstellar cloud. This often makes it a bottleneck for 3D simulations of these regions. In this work, we provide a dataset of 8192 models with different initial conditions simulated with 3D-PDR. We then benchmark different architectures, focusing on Augmented Neural Ordinary Differential Equation (ANODE) based models (Code be found at https://github.com/uclchem/neuralpdr). Obtaining fast and robust emulators that can be included as preconditioners of classical codes or full emulators into 3D simulations of PDRs.
- Abstract（参考訳）: そこで本研究では,オリオンバーの光解離領域(PDR)をシミュレーションし,エミュレータのベンチマークを行う。
これらの変化領域のモデリングでは、視線に沿った熱収支と化学組成を恒星間雲に分解する必要があるため、PDRの数値モデルは計算コストがかかる。
これにより、これらの領域の3次元シミュレーションのボトルネックとなることが多い。
本研究では,3D-PDRでシミュレーションした初期条件の異なる8192モデルのデータセットを提供する。
次に、Augmented Neural Ordinary Differential Equation (ANODE)ベースのモデル(コードはhttps://github.com/uclchem/neuralpdr.orgで参照)に焦点を当てて、異なるアーキテクチャをベンチマークします。
古典符号のプリコンディショナーや、PDRの3Dシミュレーションにフルエミュレータを含めることができる高速で堅牢なエミュレータを用意する。
関連論文リスト
- Compositional simulation-based inference for time series [21.9975782468709]
シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。
本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。
次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
論文 参考訳（メタデータ） (2024-11-05T01:55:07Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。
メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文 参考訳（メタデータ） (2023-08-24T17:59:54Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learning Free-Surface Flow with Physics-Informed Neural Networks [0.0]
物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。
これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-11-17T18:45:55Z) - Opportunistic Emulation of Computationally Expensive Simulations via
Deep Learning [9.13837510233406]
本稿では,APSIMモデルの機会論的モデルエミュレーションにおけるディープニューラルネットワークの利用について検討する。
我々は,APSIMモデルの4つの重要な出力(runoff, soil_loss, DINrunoff, Nleached)をエミュレートすることに重点を置いている。
論文 参考訳（メタデータ） (2021-08-25T05:57:16Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - End-to-end neural network approach to 3D reservoir simulation and
adaptation [0.0]
貯留層シミュレーションと適応問題に対する統一的なアプローチを提示する。
単一のニューラルネットワークモデルは、3D貯留層モデルの初期地質パラメータから前方通過を可能にする。
提案手法は,数桁のシミュレーション速度アップの利点を生かして,正確な貯留層シミュレーションと履歴マッチングを提供する。
論文 参考訳（メタデータ） (2021-02-20T10:03:45Z)
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。