論文の概要: Hybrid Fourier Neural Operator-Plasma Fluid Model for Fast and Accurate Multiscale Simulations of High Power Microwave Breakdown
- arxiv url: http://arxiv.org/abs/2509.05799v1
- Date: Sat, 06 Sep 2025 18:24:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.720958
- Title: Hybrid Fourier Neural Operator-Plasma Fluid Model for Fast and Accurate Multiscale Simulations of High Power Microwave Breakdown
- Title（参考訳）: 高出力マイクロ波破壊の高速・高精度マルチスケールシミュレーションのためのハイブリッドフーリエニューラル演算子-プラズマ流体モデル
- Authors: Kalp Pandya, Pratik Ghosh, Ajeya Mandikal, Shivam Gandha, Bhaskar Chaudhury,
- Abstract要約: 微分方程式に基づくプラズマ流体解法とFNOの計算効率を組み合わせたハイブリッドモデリング手法を提案する。
FNOは、社内のプラズマ流体解決器からのデータに基づいて、計算コストの高いEMフィールド更新を置き換える。
我々の研究は、そのようなハイブリッドパイプラインが、既存のCベースのシミュレーションコードをPythonベースの機械学習フレームワークとシームレスに統合するためにどのように使用できるかを実証している。
- 参考スコア（独自算出の注目度）: 2.202064335120138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling and simulation of High Power Microwave (HPM) breakdown, a multiscale phenomenon, is computationally expensive and requires solving Maxwell's equations (EM solver) coupled with a plasma continuity equation (plasma solver). In this work, we present a hybrid modeling approach that combines the accuracy of a differential equation-based plasma fluid solver with the computational efficiency of FNO (Fourier Neural Operator) based EM solver. Trained on data from an in-house FDTD-based plasma-fluid solver, the FNO replaces computationally expensive EM field updates, while the plasma solver governs the dynamic plasma response. The hybrid model is validated on microwave streamer formation, due to diffusion ionization mechanism, in a 2D scenario for unseen incident electric fields corresponding to entirely new plasma streamer simulations not included in model training, showing excellent agreement with FDTD based fluid simulations in terms of streamer shape, velocity, and temporal evolution. This hybrid FNO based strategy delivers significant acceleration of the order of 60X compared to traditional simulations for the specified problem size and offers an efficient alternative for computationally demanding multiscale and multiphysics simulations involved in HPM breakdown. Our work also demonstrate how such hybrid pipelines can be used to seamlessly to integrate existing C-based simulation codes with Python-based machine learning frameworks for simulations of plasma science and engineering problems.
- Abstract（参考訳）: マルチスケール現象である高出力マイクロ波(HPM)分解のモデル化とシミュレーションは計算コストが高く、プラズマ連続性方程式(プラズマソルバ)と結合したマクスウェル方程式(EMソルバ)を解く必要がある。
本研究では,微分方程式に基づくプラズマ流体解法とFNO(Fourier Neural Operator)に基づくEM解法の計算効率を組み合わせたハイブリッドモデリング手法を提案する。
FNOは、社内のFDTDベースのプラズマ流体ソルバのデータに基づいて、計算コストの高いEMフィールド更新を代替し、プラズマソルバは動的プラズマ応答を制御している。
このハイブリッドモデルは,拡散電離機構によるマイクロ波ストリーマ形成をモデルトレーニングに含まない全く新しいプラズマストリーマシミュレーションに対応する2次元入射電界の2次元シナリオで検証し,ストリーマ形状,速度,時間的進化の観点からFDTDに基づく流体シミュレーションと良好な一致を示した。
このハイブリッドFNOベースの戦略は、特定の問題サイズに対する従来のシミュレーションと比較して60倍のオーダーをかなり加速し、HPM分解に関わるマルチスケールおよびマルチ物理シミュレーションの効率的な代替手段を提供する。
我々の研究は、プラズマ科学と工学の問題をシミュレーションするためのPythonベースの機械学習フレームワークと既存のCベースのシミュレーションコードをシームレスに統合するために、このようなハイブリッドパイプラインをどのように利用できるかを示す。
関連論文リスト
- Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - Particle-based plasma simulation using a graph neural network [0.0]
このモデルは2桁の精度で従来のシミュレーションよりも長い時間ステップで精度を向上する。
この研究は、複雑なプラズマ力学を学習できることを示し、高速な微分可能シミュレータの開発を約束することを示している。
論文 参考訳（メタデータ） (2025-03-01T01:07:37Z) - Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。
深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。
我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。
FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
論文 参考訳（メタデータ） (2023-11-10T10:05:00Z) - Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance
Dynamics in Tokamak Fusion Reactors [0.0]
我々は、Alcator C-Mod核融合炉のデータに基づいて、物理モデルとニューラルネットワークモデルの両方を訓練する。
物理に基づく方程式をニューラルODEと組み合わせたモデルは、既存の物理動機付きODEと純粋なニューラルODEモデルの両方よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-10-30T23:25:54Z) - Unsupervised Discovery of Inertial-Fusion Plasma Physics using
Differentiable Kinetic Simulations and a Maximum Entropy Loss Function [77.34726150561087]
プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。
我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
論文 参考訳（メタデータ） (2022-06-03T15:27:33Z) - Deep Learning Architecture Based Approach For 2D-Simulation of Microwave
Plasma Interaction [5.467400475482668]
本稿では,マイクロ波-プラズマ相互作用シミュレーションのための畳み込みニューラルネットワーク(CNN)に基づく深層学習モデルを提案する。
2D-FDTD (Finite Different Time Domain) を用いたマイクロ波プラズマ相互作用に関するトレーニングデータを生成する。
次に、トレーニングされたディープラーニングモデルを用いて、誤差マージンが2%未満のプラズマプロファイル上の1GHz入射マイクロ波の散乱電界値を再現する。
論文 参考訳（メタデータ） (2022-06-02T19:37:41Z) - Using neural networks to solve the 2D Poisson equation for electric
field computation in plasma fluid simulations [0.0]
ポアソン方程式はホールエフェクトスラスタやストリーマー放電に使用されるプラズマ流体シミュレーションにおいて自己整合解を得るために重要である。
ディープニューラルネットワークを用いてディリクレ境界条件をゼロとした2次元ポアソン方程式の解法を検討した。
CNNは、同じポアソン方程式を、円筒座標で解くために構築される。
その結果,CNNの予測精度は著しく向上した。
論文 参考訳（メタデータ） (2021-09-27T14:25:10Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - 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) - A Comparative Study of Machine Learning Models for Predicting the State
of Reactive Mixing [0.0]
反応混合の正確な予測は多くの地球および環境科学問題にとって重要である。
高速で可逆な二分子反応拡散のシナリオを解決するために,高忠実な有限要素法に基づく数値モデルを構築した。
モデル入力パラメータの異なるセットを用いて2,315のシミュレーションを行う。
論文 参考訳（メタデータ） (2020-02-24T22:50:19Z)
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。