論文の概要: Quantim-Inspired Solver for Simulating Material Deformations

• arxiv url: http://arxiv.org/abs/2501.12151v1
• Date: Tue, 21 Jan 2025 14:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:19:52.046452
• Title: Quantim-Inspired Solver for Simulating Material Deformations
• Title（参考訳）: 物質変形シミュレーションのための量子インスピレーションゾルバー
• Authors: Mazen Ali, Aser Cortines, Siddhartha Morales, Samuel Mugel, Mireia Olave, Roman Orus, Samuel Palmer, Hodei Usabiaga,
• Abstract要約: 本稿では, 線形弾性の枠組みにおける材料変形シミュレーションへのテンソルネットワーク (TN) の適用について検討する。 もともと量子力学で開発されたTNは、最近偏微分方程式(PDE)の解法において有望であることが示されている。 本研究では, 線形弾性方程式を数十自由度で解くためにTNを用いて, メモリ使用量と計算時間の両方で指数関数的削減を実現した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper explores the application of tensor networks (TNs) to the simulation of material deformations within the framework of linear elasticity. Material simulations are essential computational tools extensively used in both academic research and industrial applications. TNs, originally developed in quantum mechanics, have recently shown promise in solving partial differential equations (PDEs) due to their potential for exponential speedups over classical algorithms. Our study successfully employs TNs to solve linear elasticity equations with billions of degrees of freedom, achieving exponential reductions in both memory usage and computational time. These results demonstrate the practical viability of TNs as a powerful classical backend for executing quantum-inspired algorithms with significant efficiency gains. This work is based on our research conducted with IKERLAN.
• Abstract（参考訳）: 本稿では, 線形弾性の枠組みにおける材料変形シミュレーションへのテンソルネットワーク (TN) の適用について検討する。 材料シミュレーションは、学術研究と産業応用の両方で広く使われている重要な計算ツールである。 量子力学で開発されたTNは、最近、古典的アルゴリズムよりも指数的なスピードアップの可能性から偏微分方程式(PDE)を解くことを約束している。 本研究では, 線形弾性方程式を数十自由度で解くためにTNを用いて, メモリ使用量と計算時間の両方で指数関数的削減を実現した。 これらの結果は、量子インスパイアされたアルゴリズムを実行するための強力な古典的バックエンドとしてのTNの実用可能性を示す。 本研究は,IKERLANを用いて行った研究に基づいている。

関連論文リスト

• GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
  GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。 ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• 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)
• Quantum Neural Networks for Solving Power System Transient Simulation Problem [0.0]
  本稿では2つの新しい量子ニューラルネットワーク(QNN)を導入し,従来のシミュレーション手法の代替として提案する。 これらのQNNの応用は、2つの小さな電力系統をシミュレートし、その可能性を実証する。 この研究は、量子コンピューティングを電力システムシミュレーションに適用する先駆的な取り組みであると同時に、複雑なエンジニアリング課題に対処する量子技術の可能性も拡大している。
  論文  参考訳（メタデータ） (2024-05-19T02:18:04Z)
• Enriched Physics-informed Neural Networks for Dynamic Poisson-Nernst-Planck Systems [0.8192907805418583]
  本稿では、動的Poisson-Nernst-Planck(PNP)方程式を解くために、メッシュレス深層学習アルゴリズム、EPINN(enriched Physics-informed Neural Network)を提案する。 EPINNは、従来の物理インフォームドニューラルネットワークを基盤フレームワークとして、損失関数のバランスをとるために適応的な損失重みを追加する。 数値計算の結果, 結合された非線形系の解法において, 従来の数値法よりも適用性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-01T02:57:07Z)
• 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)
• Transfer Learning with Physics-Informed Neural Networks for Efficient Simulation of Branched Flows [1.1470070927586016]
  物理インフォームドニューラルネットワーク(PINN)は微分方程式を解くための有望なアプローチを提供する。 PINNに対して最近開発されたトランスファー学習アプローチを採用し,マルチヘッドモデルを提案する。 提案手法は,スクラッチからトレーニングした標準PINNと比較して,計算速度が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-11-01T01:50:00Z)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• Ps and Qs: Quantization-aware pruning for efficient low latency neural network inference [56.24109486973292]
  超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。 量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
  論文  参考訳（メタデータ） (2021-02-22T19:00:05Z)

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。