論文の概要: Neural-Network Chemical Emulator for First-Star Formation: Robust Iterative Predictions over a Wide Density Range

• arxiv url: http://arxiv.org/abs/2508.16114v1
• Date: Fri, 22 Aug 2025 06:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.264094
• Title: Neural-Network Chemical Emulator for First-Star Formation: Robust Iterative Predictions over a Wide Density Range
• Title（参考訳）: 第一星形成のためのニューラルネットワーク化学エミュレータ:広密度領域におけるロバスト反復予測
• Authors: Sojun Ono, Kazuyuki Sugimura,
• Abstract要約: 本稿では,Population III星形成における熱的および化学的進化のためのニューラルネットワークエミュレータを提案する。 密度範囲を5つのサブリージョンに分割し、各リージョンで個別のディープオペレータネットワーク(DeepONets)をトレーニングする。 ランダムにサンプリングされた熱化学状態に適用すると、エミュレータは温度と化学量の両方のケースの90%以上で10%未満の誤差を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a neural-network emulator for the thermal and chemical evolution in Population~III star formation. The emulator accurately reproduces the thermochemical evolution over a wide density range spanning 21 orders of magnitude (10$^{-3}$-10$^{18}$ cm$^{-3}$), tracking six primordial species: H, H$_2$, e$^{-}$, H$^{+}$, H$^{-}$, and H$_2^{+}$. To handle the broad dynamic range, we partition the density range into five subregions and train separate deep operator networks (DeepONets) in each region. When applied to randomly sampled thermochemical states, the emulator achieves relative errors below 10% in over 90% of cases for both temperature and chemical abundances (except for the rare species H$_2^{+}$). The emulator is roughly ten times faster on a CPU and more than 1000 times faster for batched predictions on a GPU, compared with conventional numerical integration. Furthermore, to ensure robust predictions under many iterations, we introduce a novel timescale-based update method, where a short-timestep update of each variable is computed by rescaling the predicted change over a longer timestep equal to its characteristic variation timescale. In one-zone collapse calculations, the results from the timescale-based method agree well with traditional numerical integration even with many iterations at a timestep as short as 10$^{-4}$ of the free-fall time. This proof-of-concept study suggests the potential for neural network-based chemical emulators to accelerate hydrodynamic simulations of star formation.
• Abstract（参考訳）: 我々は、第III星形成における熱的・化学的進化のためのニューラルネットワークエミュレータを提案する。 エミュレータは、21桁の広い密度範囲(10$^{-3}$-10$^{18}$ cm$^{-3}$)で熱化学的進化を正確に再現し、H, H$_2$, e$^{-}$, H$^{+}$, H$^{-}$, H$_2^{+}$の6種を追跡する。 広いダイナミックレンジを扱うために、密度範囲を5つのサブリージョンに分割し、各リージョンで個別のディープオペレータネットワーク(DeepONets)を訓練する。 ランダムにサンプリングされた熱化学状態に適用すると、エミュレータは温度と化学量の両方のケースの90%以上で10%未満の相対誤差を達成する(珍しい種であるH$_2^{+}$を除く)。 エミュレータはCPUの約10倍高速で、GPUのバッチ予測では従来の数値積分に比べて1000倍以上高速である。 さらに,多くのイテレーションにおいてロバストな予測を保証するために,各変数の短時間更新を,その特性変動時間スケールに等しい長い時間ステップで再スケーリングすることで計算する,新しい時間スケールベースの更新手法を導入する。 1ゾーンの崩壊計算では、時間スケール法の結果は、フリーフォール時間の10$^{-4}$という短い時間ステップで多くの繰り返しを繰り返す場合であっても、従来の数値積分とよく一致する。 この概念実証研究は、星形成の流体力学シミュレーションを加速するニューラルネットワークベースの化学エミュレータの可能性を示している。

関連論文リスト

• Fast simulations of X-ray absorption spectroscopy for battery materials on a quantum computer [36.21999915593711]
  本研究は,X線吸収のための時間領域アルゴリズムの高度に最適化された実装を提案する。 提案アルゴリズムの低コスト化により,耐故障性量子デバイスを用いた高容量電池陰極の開発・商業化が促進される。
  論文  参考訳（メタデータ） (2025-06-18T18:00:29Z)
• NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
  複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。 我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。 NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-27T10:54:40Z)
• Neural Network Emulator for Atmospheric Chemical ODE [6.84242299603086]
  高速な化学濃度モデリングのためのニューラルネットワークエミュレータを提案する。 初期状態と今後の時間進化の間の隠れた相関関係を抽出するために,ChemNNEを提案する。 提案手法は,モデリング精度と計算速度において最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-08-03T17:43:10Z)
• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• Emulating the interstellar medium chemistry with neural operators [0.0]
  銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している 本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。 我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。 単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
  論文  参考訳（メタデータ） (2024-02-19T19:00:01Z)
• Neural networks: solving the chemistry of the interstellar medium [0.0]
  非平衡化学は、天体物理学シミュレーションに含めるのが最も難しい課題の一つである。 PINNを動力とするシミュレーションは、天体物理学と宇宙論の問題において複雑な化学計算を解くのに便利な方法である。
  論文  参考訳（メタデータ） (2022-11-28T19:00:01Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• A deep learning-based ODE solver for chemical kinetics [6.146046338698173]
  この研究はDeepCombustion0.0と呼ばれる深層学習に基づく数値計算法を提案し、硬い常微分方程式系を解く。 54種を含むDME/空気混合物の均一な自己着火は、アルゴリズムの有効性と精度を示す例として採用されている。
  論文  参考訳（メタデータ） (2020-11-24T02:44:21Z)

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。