論文の概要: SFFT-based Homogenization: Using Tensor Trains to Enhance FFT-Based Homogenization

• arxiv url: http://arxiv.org/abs/2412.11566v1
• Date: Mon, 16 Dec 2024 08:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:59.658220
• Title: SFFT-based Homogenization: Using Tensor Trains to Enhance FFT-Based Homogenization
• Title（参考訳）: SFFTに基づく均質化--テンソルトレインを用いたFFTに基づく均質化の促進
• Authors: Sascha H. Hauck, Matthias Kabel, Mazen Ali, Nicolas R. Gauger,
• Abstract要約: 均一化(homogenization)は、マイクロスケールの不均一性を持つ材料のマクロ特性を近似する鍵となる技術である。 FFTに基づくホモジェナイゼーション法は、複雑なミクロ構造を扱う際の計算効率と精度のために広く利用されている。 本稿では,量子変換の量子化列車変種を利用した,SFFTに基づく新しい均質化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Homogenization is a key technique for approximating the macroscopic properties of materials with microscale heterogeneity. The FFT-based Homogenization method has gained widespread usage due to its computational efficiency and accuracy in handling complex microstructures. However, despite its advantages, the method is limited by speed and memory constraints, particularly when applied to high-resolution discretizations. These limitations affect its scalability and efficiency, especially in large-scale simulations or when dealing with highly detailed microstructures. These challenges arise from the fundamental reliance on the Fast Fourier Transform, which imposes inherent restrictions on further advancements. In this paper, we propose a novel SFFT-based Homogenization algorithm that utilizes a Quantized Tensor Train variant of the Quantum Fourier Transform. This method is tailored to the geometry under consideration and offers significant improvements in time complexity and memory efficiency compared to the traditional FFT-based approach while remaining executable on classical hardware. The method is applicable only if a suitable Quantized Tensor Train representation exists for the stiffness operator associated with the underlying geometry.
• Abstract（参考訳）: 均一化(homogenization)は、マイクロスケールの不均一性を持つ材料のマクロ特性を近似する鍵となる技術である。 FFTに基づくホモジェナイゼーション法は、複雑なミクロ構造を扱う際の計算効率と精度のために広く利用されている。 しかし、その利点にもかかわらず、特に高解像度の離散化に適用する場合は、スピードとメモリの制約によって制限される。 これらの制限はスケーラビリティと効率に影響を与え、特に大規模シミュレーションや非常に詳細なマイクロ構造を扱う際には影響する。 これらの課題は、さらなる進歩に固有の制限を課すFast Fourier Transformへの根本的な依存から生じる。 本稿では,量子フーリエ変換の量子テンソルトレイン変種を利用した,SFFTに基づく新しい均質化アルゴリズムを提案する。 この手法は検討中の幾何学に適合し、従来のFFTベースの手法に比べて時間的複雑性とメモリ効率が大幅に向上する一方で、古典的なハードウェア上でも実行可能である。 この方法は、基底幾何学に関連する剛性作用素に対して適切な量子テンソルトレイン表現が存在する場合にのみ適用できる。

関連論文リスト

• The Finite Element Neural Network Method: One Dimensional Study [0.0]
  本研究は,ペトロフ・ガレルキン法(ペトロフ・ガレルキン法)の枠組みにおける有限要素ニューラルネットワーク法(FENNM)を紹介する。 FENNMは、微分方程式の重み付け残差を近似するために畳み込み演算を用いる。 これにより、従来の有限要素法(FEM)の解法と同様に、強制項と自然境界条件を損失関数に統合することができる。
  論文  参考訳（メタデータ） (2025-01-21T21:39:56Z)
• Using a Feedback-Based Quantum Algorithm to Analyze the Critical Properties of the ANNNI Model Without Classical Optimization [0.0]
  フィードバック型量子アルゴリズム(FQA)を用いたANNNIモデル(Anisotropic Next-Nearest-Neighbor Ising)の臨界特性について検討する。 アルゴリズムの対称性を活用することで、ターゲットとする初期状態が収束を高め、励起状態の研究を促進することを示す。 この結果から、FQAが量子系を研究するための汎用的なツールとしての可能性を強調し、量子相転移と複雑なスピンモデルの磁気的性質に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-25T20:58:03Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Domain Agnostic Fourier Neural Operators [15.29112632863168]
  本研究では,不規則なジオメトリと進化するドメインを持つサロゲートを学習するために,ドメインに依存しないフーリエニューラル演算子(DAFNO)を導入する。 鍵となる考え方は、FNOの積分層アーキテクチャに滑らかな特性関数を組み込むことである。 DAFNOはベースラインニューラル演算子モデルと比較して最先端の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-30T13:29:06Z)
• A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
  森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。 本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。 ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
  論文  参考訳（メタデータ） (2023-04-16T19:57:52Z)
• 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)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)

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。