論文の概要: Physics-based machine learning for mantle convection simulations

• arxiv url: http://arxiv.org/abs/2505.16041v1
• Date: Wed, 21 May 2025 21:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.925503
• Title: Physics-based machine learning for mantle convection simulations
• Title（参考訳）: マントル対流シミュレーションのための物理ベース機械学習
• Authors: Siddhant Agarwal, Ali Can Bekar, Christian Hüttig, David S. Greenberg, Nicola Tosi,
• Abstract要約: 本研究では,温度を保ちながら温度の関数としてクリープ流速度を予測する機械学習手法を提案する。 有限体積ソルバは予測速度を用いて次の時間に温度場を拡散させ、推論時の自己回帰ロールアウトを可能にする。 全体として、我々のモデルは数値解法よりも89倍高速である。
• 参考スコア（独自算出の注目度）: 2.4608654148475235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mantle convection simulations are an essential tool for understanding how rocky planets evolve. However, the poorly known input parameters to these simulations, the non-linear dependence of transport properties on pressure and temperature, and the long integration times in excess of several billion years all pose a computational challenge for numerical solvers. We propose a physics-based machine learning approach that predicts creeping flow velocities as a function of temperature while conserving mass, thereby bypassing the numerical solution of the Stokes problem. A finite-volume solver then uses the predicted velocities to advect and diffuse the temperature field to the next time-step, enabling autoregressive rollout at inference. For training, our model requires temperature-velocity snapshots from a handful of simulations (94). We consider mantle convection in a two-dimensional rectangular box with basal and internal heating, pressure- and temperature-dependent viscosity. Overall, our model is up to 89 times faster than the numerical solver. We also show the importance of different components in our convolutional neural network architecture such as mass conservation, learned paddings on the boundaries, and loss scaling for the overall rollout performance. Finally, we test our approach on unseen scenarios to demonstrate some of its strengths and weaknesses.
• Abstract（参考訳）: マントル対流シミュレーションは、岩石惑星の進化を理解するための重要なツールである。 しかし、これらのシミュレーションに対する未知の入力パラメータ、圧力と温度に対する輸送特性の非線形依存性、そして数十億年以上の長い積分時間などは、数値解法にとって計算上の課題である。 本研究では,温度を保ちながら温度の関数としてクリープ流速度を予測し,ストークス問題の数値解をバイパスする物理に基づく機械学習手法を提案する。 有限体積ソルバは予測速度を用いて次の時間に温度場を拡散させ、推論時の自己回帰ロールアウトを可能にする。 トレーニングには,少数のシミュレーション(94。 本研究では, 2次元長方形箱内のマントル対流を基礎および内部加熱, 圧力および温度依存性粘度で検討した。 全体として、我々のモデルは数値解法よりも89倍高速である。 また,大量保存や境界の学習パディング,ロールアウト性能全体の損失スケーリングなど,畳み込みニューラルネットワークアーキテクチャにおけるさまざまなコンポーネントの重要性も示している。 最後に、我々のアプローチを目に見えないシナリオでテストし、その強みと弱点をいくつか示します。

関連論文リスト

• Accelerating the discovery of steady-states of planetary interior dynamics with machine learning [2.4608654148475235]
  機械学習を用いてマントル対流シミュレーションを高速化する概念を提案する。 我々は97のシミュレーションに基づいてフィードフォワードニューラルネットワークをトレーニングし、定常的な温度分布を予測する。 定常状態に達するために必要な時間ステップの数は、中央値3.75で減少する。
  論文  参考訳（メタデータ） (2024-08-30T13:55:19Z)
• Inferring turbulent velocity and temperature fields and their statistics from Lagrangian velocity measurements using physics-informed Kolmogorov-Arnold Networks [3.7130378544005844]
  実験乱流速度データから隠れた温度場を推定するためのAIVT法を提案する。 具体的には、AIVTは物理インフォームされたコルモゴロフ・アルノルドネットワーク(ニューラルネットワークではない)に基づいており、複合損失関数の最適化によって訓練されている。 乱流の直接数値シミュレーション (DNS) に匹敵する忠実度でスパース実験データから連続的, 即時的な速度場と温度場を再構成し, 推定できることを実証した。
  論文  参考訳（メタデータ） (2024-07-22T15:30:21Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• Robust Extraction of Thermal Observables from State Sampling and Real-Time Dynamics on Quantum Computers [49.1574468325115]
  我々は、状態の密度、特にその非負性性に制約を課す手法を導入し、この方法で、ノイズのある時系列からボルツマン重みを確実に抽出できることを示す。 本研究により,今日の量子コンピュータにおける時系列アルゴリズムの実装により,多体量子系の有限温度特性の研究が可能となった。
  論文  参考訳（メタデータ） (2023-05-30T18:00:05Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Simulating quantum vibronic dynamics at finite temperatures with many body wave functions at 0K [0.0]
  本稿では, 有限温度における散逸性環境効果を, ゼロ温度波動関数シミュレーションから効率的に抽出することのできる最近の理論的結果を利用する数値シミュレーションを提案する。 この理論のエレガンスの背後にある実践的な問題、例えば計算時間を超える高温に出現する急激な増大する数値的な要求について考察する。
  論文  参考訳（メタデータ） (2021-01-04T17:15:16Z)

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。