論文の概要: Learning physical unknowns from hydrodynamic shock and material interface features in ICF capsule implosions

• arxiv url: http://arxiv.org/abs/2412.20192v1
• Date: Sat, 28 Dec 2024 16:05:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:03:54.454255
• Title: Learning physical unknowns from hydrodynamic shock and material interface features in ICF capsule implosions
• Title（参考訳）: ICFカプセルインロジョンにおける流体衝撃と材料界面特性からの物理的未知の学習
• Authors: Daniel A. Serino, Evan Bell, Marc Klasky, Ben S. Southworth, Balasubramanya Nadiga, Trevor Wilcox, Oleg Korobkin,
• Abstract要約: 高エネルギー密度物理(HEDP)と慣性閉じ込め融合(ICF)では、予測モデリングは、モデル化システムの様々な側面を特徴づけるパラメータの不確実性によって複雑である。 本研究では,そのパラメータを直接推測するために,外装衝撃プロファイルと外装材料エッジから得られた疎流体力学特性の集合を定義する。 推定パラメータは, 密度場, 流体衝撃, およびデータに整合した外縁特性を得るために, 流体力学コードで利用できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In high energy density physics (HEDP) and inertial confinement fusion (ICF), predictive modeling is complicated by uncertainty in parameters that characterize various aspects of the modeled system, such as those characterizing material properties, equation of state (EOS), opacities, and initial conditions. Typically, however, these parameters are not directly observable. What is observed instead is a time sequence of radiographic projections using X-rays. In this work, we define a set of sparse hydrodynamic features derived from the outgoing shock profile and outer material edge, which can be obtained from radiographic measurements, to directly infer such parameters. Our machine learning (ML)-based methodology involves a pipeline of two architectures, a radiograph-to-features network (R2FNet) and a features-to-parameters network (F2PNet), that are trained independently and later combined to approximate a posterior distribution for the parameters from radiographs. We show that the estimated parameters can be used in a hydrodynamics code to obtain density fields and hydrodynamic shock and outer edge features that are consistent with the data. Finally, we demonstrate that features resulting from an unknown EOS model can be successfully mapped onto parameters of a chosen analytical EOS model, implying that network predictions are learning physics, with a degree of invariance to the underlying choice of EOS model.
• Abstract（参考訳）: 高エネルギー密度物理学(HEDP)や慣性閉じ込め融合(ICF)では、物質特性、状態方程式(EOS)、不透明度、初期状態など、モデルシステムの様々な側面を特徴付けるパラメータの不確実性によって予測モデリングが複雑になる。 しかし、一般的にこれらのパラメータは直接観測できない。 代わりに観察されるのは、X線を用いた放射線投影の時系列である。 本研究は, 放射光測定から得られる外物質面および外物質面から得られた疎流体力学的特徴の集合を定義し, そのパラメータを直接推測する。 我々の機械学習(ML)ベースの手法は、R2FNet(Radiograph-to-Features Network)とF2PNet(Feature-to-parameters Network)という2つのアーキテクチャのパイプラインを含む。 推定パラメータは, 密度場, 流体衝撃, およびデータに整合した外縁特性を得るために, 流体力学コードで利用できることを示す。 最後に、未知のEOSモデルから得られる特徴が、選択された分析EOSモデルのパラメータにうまくマッピングできることを示し、ネットワーク予測が、基礎となるEOSモデルの選択に相違のある物理を学習していることを示唆する。

関連論文リスト

• Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach [0.0]
  本研究では,表面張力効果下での流体の過渡的および静的な出力を予測するために,Long Short-Term Memoryを適用した。 LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。 幾何パラメータから得られた時系列データを入力したリカレントニューラルネットワーク(RNN)アーキテクチャを用いて,エネルギー予算予測におけるアプローチの精度を示す。
  論文  参考訳（メタデータ） (2024-03-24T13:32:42Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Designing Observables for Measurements with Deep Learning [0.12277343096128711]
  機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
  論文  参考訳（メタデータ） (2023-10-12T20:54:34Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• 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)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Conditionally Parameterized, Discretization-Aware Neural Networks for Mesh-Based Modeling of Physical Systems [0.0]
  入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。 条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。 CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
  論文  参考訳（メタデータ） (2021-09-15T20:21:13Z)
• Combining data assimilation and machine learning to estimate parameters of a convective-scale model [0.0]
  対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。 本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
  論文  参考訳（メタデータ） (2021-09-07T09:17:29Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)

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。