論文の概要: NeuralPDR: Neural Differential Equations as surrogate models for Photodissociation Regions
- arxiv url: http://arxiv.org/abs/2506.14270v1
- Date: Tue, 17 Jun 2025 07:35:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.380875
- Title: NeuralPDR: Neural Differential Equations as surrogate models for Photodissociation Regions
- Title（参考訳）: ニューラルPDR:光解離領域の代理モデルとしてのニューラル微分方程式
- Authors: Gijs Vermariën, Thomas G. Bisbas, Serena Viti, Yue Zhao, Xuefei Tang, Rahul Ravichandran,
- Abstract要約: 元の化学コードを置き換えるサロゲートモデルを提案する。
これらのサロゲートモデルは,データセットの観測可能なカラム密度マップを高速化し,再現することができることを示す。
- 参考スコア（独自算出の注目度）: 3.030422700459718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational astrochemical models are essential for helping us interpret and understand the observations of different astrophysical environments. In the age of high-resolution telescopes such as JWST and ALMA, the substructure of many objects can be resolved, raising the need for astrochemical modeling at these smaller scales, meaning that the simulations of these objects need to include both the physics and chemistry to accurately model the observations. The computational cost of the simulations coupling both the three-dimensional hydrodynamics and chemistry is enormous, creating an opportunity for surrogate models that can effectively substitute the chemical solver. In this work we present surrogate models that can replace the original chemical code, namely Latent Augmented Neural Ordinary Differential Equations. We train these surrogate architectures on three datasets of increasing physical complexity, with the last dataset derived directly from a three-dimensional simulation of a molecular cloud using a Photodissociation Region (PDR) code, 3D-PDR. We show that these surrogate models can provide speedup and reproduce the original observable column density maps of the dataset. This enables the rapid inference of the chemistry (on the GPU), allowing for the faster statistical inference of observations or increasing the resolution in hydrodynamical simulations of astrophysical environments.
- Abstract（参考訳）: 計算天文学モデルは、異なる天体物理環境の観測を解釈し理解するのに不可欠である。
JWSTやALMAのような高分解能望遠鏡の時代には、多くの天体のサブ構造が解決され、これらの小さなスケールでの天体化学モデリングの必要性が高まった。
三次元流体力学と化学を結合するシミュレーションの計算コストは巨大であり、化学的解法を効果的に置き換えることのできる代理モデルを作る機会となる。
本研究では,元の化学コード,すなわち潜在Augmented Neural Ordinary Differential Equationsを置き換えるサロゲートモデルを提案する。
光解離領域(PDR)コードを用いた分子雲の3次元シミュレーションから直接導出した最後のデータセットである3D-PDRを用いて、これらのサロゲートアーキテクチャをトレーニングする。
これらのサロゲートモデルは,データセットの観測可能なカラム密度マップを高速化し,再現することができることを示す。
これにより(GPU上の)化学の迅速な推論が可能となり、観測のより速い統計的推測や、天体物理学環境の流体力学シミュレーションにおける分解能の増大を可能にした。
関連論文リスト
- A survey of probabilistic generative frameworks for molecular simulations [0.0]
生成的人工知能は現在、分子科学において広く使われているツールである。
本稿では,フローベースモデルと拡散モデルという2つのカテゴリに大別された生成モデルのクラスを紹介し,説明する。
可変次元, 複雑性, モーダル非対称性を持つデータセットの精度, 計算コスト, 生成速度について検討する。
論文 参考訳（メタデータ） (2024-11-14T12:05:08Z) - Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。
GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。
これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
論文 参考訳（メタデータ） (2024-11-03T15:10:48Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Invertible Coarse Graining with Physics-Informed Generative Artificial Intelligence [9.343446996260328]
マルチスケール分子モデリングには2つの課題がある。
1つは、粗粒度から粗粒度への情報伝達による粗粒度モデルの構築であり、もう1つは粗粒度構成が与えられたときのより微細な分子の詳細を復元することである。
本稿では,これらを結合する理論を提案し,両問題を統一的に解くためのCycle Coarse Graining (CCG) と呼ばれる方法論を開発した。
論文 参考訳（メタデータ） (2023-05-02T08:05:42Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Learning effective physical laws for generating cosmological
hydrodynamics with Lagrangian Deep Learning [7.6146285961466]
宇宙力学シミュレーションの出力を学習するために,ラグランジアン深層学習を提案する。
このモデルは、観測可能な粒子を記述したラグランジアン変位の層を用いて、有効な物理法則を学習する。
学習されたパラメータの総数はオーダー10のみであり、有効理論パラメータと見なすことができる。
論文 参考訳（メタデータ） (2020-10-06T18:00:00Z) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳（メタデータ） (2020-08-26T20:27:19Z)
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。