論文の概要: Spatio-temporal, multi-field deep learning of shock propagation in meso-structured media

• arxiv url: http://arxiv.org/abs/2509.16139v1
• Date: Fri, 19 Sep 2025 16:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.246275
• Title: Spatio-temporal, multi-field deep learning of shock propagation in meso-structured media
• Title（参考訳）: メソ構造媒体における衝撃伝播の時空間的多場深層学習
• Authors: M. Giselle Fernández-Godino, Meir H. Shachar, Kevin Korner, Jonathan L. Belof, Mukul Kumar, Jonathan Lind, William J. Schill,
• Abstract要約: 本研究では、7つの結合したフィールドを1つの自己回帰的サロゲートに統一するマルチフィールド深層学習モデル(MSTM)を提案する。 MSTMは直接シミュレーションの約1000倍の速度で動作し、多孔質材料では4%未満、格子構造では10%未満の誤差を達成している。
• 参考スコア（独自算出の注目度）: 0.1968413844695359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to predict how shock waves traverse porous and architected materials is a decisive factor in planetary defense, national security, and the race to achieve inertial fusion energy. Yet capturing pore collapse, anomalous Hugoniot responses, and localized heating -- phenomena that can determine the success of asteroid deflection or fusion ignition -- has remained a major challenge despite recent advances in single-field and reduced representations. We introduce a multi-field spatio-temporal deep learning model (MSTM) that unifies seven coupled fields -- pressure, density, temperature, energy, material distribution, and two velocity components -- into a single autoregressive surrogate. Trained on high-fidelity hydrocode data, MSTM runs about a thousand times faster than direct simulation, achieving errors below 4\% in porous materials and below 10\% in lattice structures. Unlike prior single-field or operator-based surrogates, MSTM resolves sharp shock fronts while preserving integrated quantities such as mass-averaged pressure and temperature to within 5\%. This advance transforms problems once considered intractable into tractable design studies, establishing a practical framework for optimizing meso-structured materials in planetary impact mitigation, inertial fusion energy, and national security.
• Abstract（参考訳）: 衝撃波が多孔質で建築された物質をどのように横切るかを予測する能力は、惑星防衛、国家安全保障、慣性融合エネルギーを達成するためのレースにおいて決定的な要素である。 しかし、細孔崩壊、異常なユゴニオット反応、そして小惑星の偏向や核融合点火の成功を決定できる局所加熱は、近年の単一フィールドと縮小表現の進歩にもかかわらず、大きな課題であり続けている。 本研究では, 圧力, 密度, 温度, エネルギー, 物質分布, および2つの速度成分を含む7つの結合場を1つの自己回帰的サロゲートに統一する多分野時空間深層学習モデル(MSTM)を提案する。 高忠実度ハイドロコードデータに基づいて、MSTMは直接シミュレーションの約1000倍の速度で動作し、多孔質材料では4倍、格子構造では10倍以下の誤差を達成している。 以前の単体またはオペレーターベースのサロゲートとは異なり、MSTMはシャープショックフロントを解決し、質量平均圧力や温度などの統合された量を保存する。 この進歩は、かつては難解であると考えられていた問題を、惑星衝突緩和、慣性核融合エネルギー、国家安全保障においてメソ構造材料を最適化するための実践的な枠組みを確立した。

関連論文リスト

• AtomDiffuser: Time-Aware Degradation Modeling for Drift and Beam Damage in STEM Imaging [9.740325299883024]
  AtomDiffuserは、透過電子顕微鏡を走査するための時間認識分解モデリングフレームワークである。 サンプルのドリフトと減衰をアフィン変換と空間的に変化する減衰写像を予測することによって解する。 高解像度の劣化予測とドリフトアライメントをサポートし、劣化パターンの可視化と定量化のためのツールを提供する。
  論文  参考訳（メタデータ） (2025-08-14T05:56:31Z)
• Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks [1.0499611180329804]
  本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。 本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-05-01T19:26:01Z)
• StFT: Spatio-temporal Fourier Transformer for Long-term Dynamics Prediction [10.64762092324374]
  本稿では,自動回帰時変変換器(FTStours)を提案する。 FTStoursは、マクロスケールとマイクロスペーススケールの両方にわたる基礎となるダイナミクスをキャプチャする。 3つのベンチマークデータセットで行った評価は、最先端のML手法に対する我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2025-03-14T22:04:03Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Probing multi-mobility edges in quasiperiodic mosaic lattices [36.63101591801625]
  モビリティエッジ(ME)は、ローカライゼーション物理学を理解する上で重要な概念である。 本稿では,複数のMEを示す単一システムの可能性を示す実験的な証拠を提供する。 単一サイトインジェクションと障害レベルの走査により,変調格子のMEを概ね調査することができた。
  論文  参考訳（メタデータ） (2023-06-19T10:21:33Z)
• A physics-aware deep learning model for energy localization in multiscale shock-to-detonation simulations of heterogeneous energetic materials [0.0]
  不均一エネルギー材料における衝撃-起爆遷移(SDT)の予測シミュレーションは、そのエネルギー放出と感度の設計と制御に不可欠である。 本研究では,EMのSDTシミュレーションのための効率的かつ高精度なマルチスケールフレームワークを提案する。 本研究では, 深層学習を用いたSDTシミュレーションのための新しい手法を提案し, 衝撃開始EMマイクロ構造のメソスケールエネルギー局在をモデル化する。
  論文  参考訳（メタデータ） (2022-11-08T21:16:00Z)
• Noise-resilient Edge Modes on a Chain of Superconducting Qubits [103.93329374521808]
  量子系の遺伝対称性は、それ以外は脆弱な状態を保護することができる。 非局所マヨラナエッジモード(MEM)を$mathbbZ$パリティ対称性で表す一次元キックドイジングモデルを実装した。 MEMは、予熱機構により特定の対称性を破るノイズに対して弾力性があることが判明した。
  論文  参考訳（メタデータ） (2022-04-24T22:34:15Z)
• Ultrafast viscosity measurement with ballistic optical tweezers [55.41644538483948]
  非侵襲粘度測定は秒の積分時間を必要とする。 速度を最大20マイクロ秒まで改善した4つの命令を実演する。 光学式ツイーザにおける捕捉粒子の瞬時速度を用いてこれを実現する。
  論文  参考訳（メタデータ） (2020-06-29T00:09:40Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。