論文の概要: Hamiltonian Neural Networks approach to fuzzball geodesics

• arxiv url: http://arxiv.org/abs/2502.20881v1
• Date: Fri, 28 Feb 2025 09:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:40:16.199904
• Title: Hamiltonian Neural Networks approach to fuzzball geodesics
• Title（参考訳）: ファズボール測地学におけるハミルトニアンニューラルネットワークのアプローチ
• Authors: Andrea Cipriani, Alessandro De Santis, Giorgio Di Russo, Alfredo Grillo, Luca Tabarroni,
• Abstract要約: Hamiltonian Neural Networks (HNN) は、ハミルトンの運動方程式を解くために損失関数を最小化するツールである。 本研究では、D1-D5円形ファズボールと呼ばれる滑らかで水平な幾何学内を移動する無質量プローブに対するハミルトン方程式を高精度に解くために訓練されたいくつかのHNNを実装した。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License:
• Abstract: The recent increase in computational resources and data availability has led to a significant rise in the use of Machine Learning (ML) techniques for data analysis in physics. However, the application of ML methods to solve differential equations capable of describing even complex physical systems is not yet fully widespread in theoretical high-energy physics. Hamiltonian Neural Networks (HNNs) are tools that minimize a loss function defined to solve Hamilton equations of motion. In this work, we implement several HNNs trained to solve, with high accuracy, the Hamilton equations for a massless probe moving inside a smooth and horizonless geometry known as D1-D5 circular fuzzball. We study both planar (equatorial) and non-planar geodesics in different regimes according to the impact parameter, some of which are unstable. Our findings suggest that HNNs could eventually replace standard numerical integrators, as they are equally accurate but more reliable in critical situations.
• Abstract（参考訳）: 近年の計算資源の増加とデータ可用性の増大により、物理学におけるデータ分析に機械学習(ML)技術が利用されるようになった。 しかし、複雑な物理系を記述できる微分方程式を解くためのML法の適用は、理論高エネルギー物理学においてまだ完全には広まっていない。 Hamiltonian Neural Networks (HNN) は、ハミルトンの運動方程式を解くために定義された損失関数を最小化するツールである。 本研究では、D1-D5円形ファズボールと呼ばれる滑らかで水平な幾何学内を移動する無質量プローブに対するハミルトン方程式を高精度に解くために訓練されたいくつかのHNNを実装した。 本研究では, 衝突パラメータに応じて, 平面(赤道)と非平面測地をそれぞれ異なる条件で検討し, そのうちのいくつかは不安定である。 以上の結果から,HNN が通常の数値積分器に取って代わる可能性が示唆された。

関連論文リスト

• 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)
• 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)
• Scalably learning quantum many-body Hamiltonians from dynamical data [1.702884126441962]
  動的データから多体ハミルトニアンと相互作用する家族を学習するための、高度にスケーラブルでデータ駆動のアプローチを導入する。 当社のアプローチは非常に実用的で,実験的にフレンドリで,本質的にスケーラブルで,100スピンを超えるシステムサイズを実現しています。
  論文  参考訳（メタデータ） (2022-09-28T18:00:57Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
  科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。 ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
  論文  参考訳（メタデータ） (2022-06-01T18:48:01Z)
• Physics-informed neural networks for solving parametric magnetostatic problems [0.45119235878273]
  本稿では,設計パラメータの関数として磁場応答を学習する物理インフォームドニューラルネットワークの能力について検討する。 我々は、深部ニューラルネットワーク(DNN)を用いて、磁場を空間の関数として表現し、合計10個のパラメータを表現している。
  論文  参考訳（メタデータ） (2022-02-08T18:12:26Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Symplectic Learning for Hamiltonian Neural Networks [0.0]
  Hamiltonian Neural Networks (HNN)は、統一された"グレーボックス"アプローチに向けた第一歩を踏み出した。 損失関数が異なるハミルトン系のシンプレクティック構造を利用する。 HNNが学習できる正確なハミルトン関数の存在を数学的に保証する。
  論文  参考訳（メタデータ） (2021-06-22T13:33:12Z)
• Sparse Symplectically Integrated Neural Networks [15.191984347149667]
  SSINN(Sprselectically Integrated Neural Networks)を紹介する。 SSINNはデータからハミルトン力学系を学ぶための新しいモデルである。 古典的ハミルトン力学問題に対するSSINNの評価を行う。
  論文  参考訳（メタデータ） (2020-06-10T03:33:37Z)
• Hamiltonian neural networks for solving equations of motion [3.1498833540989413]
  本稿では,力学系を支配する微分方程式を解くハミルトニアンニューラルネットワークを提案する。 シンプレクティックオイラー積分器は、数値誤差の同じ順序を達成するために、ハミルトンネットワークよりも2桁多くの評価点を必要とする。
  論文  参考訳（メタデータ） (2020-01-29T21:48:35Z)

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。