論文の概要: Multi-stream Physics Hybrid Networks for solving Navier-Stokes equations

• arxiv url: http://arxiv.org/abs/2504.01891v1
• Date: Wed, 02 Apr 2025 16:50:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:18:05.717705
• Title: Multi-stream Physics Hybrid Networks for solving Navier-Stokes equations
• Title（参考訳）: ナビエ-ストークス方程式を解くためのマルチストリーム物理ハイブリッドネットワーク
• Authors: Tatjana Protasevich, Mikhail Surmach, Aleksandr Sedykh, Olga Tsurkan, Matvei Anoshin, Vadim Lopatkin, Leonid Fedichkin,
• Abstract要約: マルチストリーム物理ハイブリッドネットワークは、量子層と古典層を並列に統合する新しいニューラルネットワークである。 このアプローチは、分離された周波数成分に解を分解し、それぞれ独立したパラレルハイブリッドネットワークによって予測される。 その結果, 従来のモデルに比べて, 速度成分が36%, 圧力予測が41%, 根平均二乗誤差が36%減少することがわかった。
• 参考スコア（独自算出の注目度）: 36.136619420474766
• License:
• Abstract: Understanding and solving fluid dynamics equations efficiently remains a fundamental challenge in computational physics. Traditional numerical solvers and physics-informed neural networks struggle to capture the full range of frequency components in partial differential equation solutions, limiting their accuracy and efficiency. Here, we propose the Multi-stream Physics Hybrid Network, a novel neural architecture that integrates quantum and classical layers in parallel to improve the accuracy of solving fluid dynamics equations, namely Kovasznay flow problem. This approach decomposes the solution into separate frequency components, each predicted by independent Parallel Hybrid Networks, simplifying the training process and enhancing performance. We evaluated the proposed model against a comparable classical neural network, the Multi-stream Physics Classical Network, in both data-driven and physics-driven scenarios. Our results show that the Multi-stream Physics Hybrid Network achieves a reduction in root mean square error by 36% for velocity components and 41% for pressure prediction compared to the classical model, while using 24% fewer trainable parameters. These findings highlight the potential of hybrid quantum-classical architectures for advancing computational fluid dynamics.
• Abstract（参考訳）: 流体力学方程式の理解と解法は、計算物理学の基本的な課題である。 従来の数値解法と物理インフォームドニューラルネットワークは、偏微分方程式解における周波数成分の全範囲を捉えるのに苦労し、精度と効率を制限した。 本稿では,量子層と古典層を並列に統合し,流体力学方程式,すなわちコヴァズネ流問題の解法精度を向上させる新しいニューラルネットワークであるMulti-stream Physics Hybrid Networkを提案する。 このアプローチは、それぞれ独立したパラレルハイブリッドネットワークによって予測され、トレーニングプロセスを簡素化し、パフォーマンスを向上させるために、ソリューションを別々の周波数成分に分解する。 データ駆動型と物理駆動型の両方のシナリオにおいて、提案したモデルと、同等の古典的ニューラルネットワークであるマルチストリーム物理古典ネットワークを比較した。 その結果,従来のモデルに比べて36%の速度成分,41%の圧力予測で根平均二乗誤差が減少し,トレーニング可能なパラメータは24%減少した。 これらの知見は、計算流体力学を前進させるためのハイブリッド量子古典アーキテクチャの可能性を示している。

関連論文リスト

• Solving the Discretised Multiphase Flow Equations with Interface Capturing on Structured Grids Using Machine Learning Libraries [0.6299766708197884]
  本稿では,機械学習ライブラリのツールと手法を用いて,離散化した多相流方程式を解く。 はじめて、(訓練されていない)畳み込みニューラルネットワークに基づくアプローチを用いて、多相流の有限要素判別を解くことができる。
  論文  参考訳（メタデータ） (2024-01-12T18:42:42Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• 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)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• One-Shot Transfer Learning of Physics-Informed Neural Networks [2.6084034060847894]
  本稿では,通常の微分方程式と偏微分方程式の両方の線形系に対して,一発の推論結果をもたらす伝達学習PINNの枠組みを提案する。 これは、多くの未知の微分方程式に対する高精度な解は、ネットワーク全体を再訓練することなく瞬時に得られることを意味する。
  論文  参考訳（メタデータ） (2021-10-21T17:14:58Z)
• Physics-informed neural networks for the shallow-water equations on the sphere [0.0]
  物理誘導ニューラルネットワークは、所定の初期および境界データと共に微分方程式を満たすように訓練される。 比較的長い時間間隔のテストケースに取り組むための単純なマルチモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T16:47:40Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
  流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。 パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
  論文  参考訳（メタデータ） (2020-02-24T21:51:53Z)

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。