論文の概要: Spatio-temporal, multi-field deep learning of shock propagation in meso-structured media
- arxiv url: http://arxiv.org/abs/2509.16139v2
- Date: Sat, 27 Sep 2025 19:27:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 20:10:04.599518
- 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: 我々は,多分野深層学習モデル (MSTM) を導入し, 連続した7つの場圧, 密度, 温度, エネルギー, 物質分布, および2つの速度成分を1つの自己回帰的サロゲートに統一する。
MSTMは多孔質と建築構成の非線形ショック駆動力学を捉え、それぞれ1.4%と3.2%の平均誤差を達成し、3桁以上のスピードアップを達成している。
- 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 key challenge in planetary defense and in the pursuit of inertial fusion energy. Yet capturing pore collapse, anomalous Hugoniot responses, and localized heating-phenomena that strongly influence 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 captures nonlinear shock-driven dynamics across porous and architected configurations, achieving mean errors of 1.4% and 3.2% respectively, all while delivering over three orders of magnitude in speedup. This advance transforms problems once considered intractable into tractable design studies, establishing a practical framework for optimizing meso-structured materials in planetary impact mitigation and inertial fusion energy.
- Abstract（参考訳）: 衝撃波が多孔質で構造的な物質をどのように横切るかを予測する能力は、惑星防衛と慣性融合エネルギーの追求において重要な課題である。
しかし、細孔崩壊、異常なユゴニオト反応、小惑星の偏向や核融合点火に強く影響を及ぼす局所加熱現象は、近年の単一磁場の進展や表現の減少にもかかわらず大きな課題である。
本研究では, 多分野時空間深層学習モデル(MSTM)を導入し, 7つの連成場圧力, 密度, 温度, エネルギー, 物質分布, および2つの速度成分を1つの自己回帰的サロゲートに統一する。
高忠実度ハイドロコードデータに基づいて、MSTMは多孔質および建築構成の非線形ショック駆動力学を捉え、それぞれ平均誤差1.4%と3.2%を達成し、スピードアップの3桁以上を達成している。
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抽出可能な設計研究に転換し、惑星衝突緩和と慣性融合エネルギー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
- Hierarchical Testing of a Hybrid Machine Learning-Physics Global Atmosphere Model [9.985969370583426]
機械学習(ML)ベースのモデルは、高い技術と計算効率を示しており、しばしば天気や季節下予測において従来の物理学ベースのモデルよりも優れている。
ここでは、光学的スケールの現象、年々の変動性、分布外均一な強制を対象とする3つの実験セットを設計する。
我々は,力学コアをMLベースコンポーネントに統合したハイブリッドモデルであるNeural General Circulation Model(NeuralGCM)を,観測と物理に基づく地球系モデル(ESM)に対して評価した。
論文 参考訳（メタデータ） (2026-02-11T19:34:50Z) - Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文 参考訳（メタデータ） (2026-02-02T14:13:28Z) - RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。
従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。
実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-10-16T17:59:13Z) - A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。
本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。
ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2025-10-16T03:06:44Z) - A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials [2.8897045834881343]
本研究は, 弱い加圧を受ける結晶性エネルギー材料 (EM) におけるホットスポットの形成について検討した。
直接数値シミュレーションに伴う計算課題を克服するため,物理対応リカレント畳み込みニューラルネットワーク(PARCv2)を進歩させる。
PARCv2は、フーリエニューラル演算子とニューラル常微分方程式という、広く使われている2つの物理インフォームドモデルに対してベンチマークされる。
論文 参考訳（メタデータ） (2025-10-08T14:20:49Z) - 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) - Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。
数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。
我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
論文 参考訳（メタデータ） (2025-05-26T02:49:00Z) - 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) - RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。
提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2025-04-22T06:28:13Z) - Learning Phase Distortion with Selective State Space Models for Video Turbulence Mitigation [13.073844945948132]
大気の乱流は、長距離イメージングシステムにおける画像劣化の主な原因である。
多くの深層学習に基づく乱流緩和法 (TM) が提案されているが, それらは遅い, メモリ不足であり, 一般化が不十分である。
本稿では,(1)選択状態空間モデル(MambaTM)に基づく乱流緩和ネットワークと(2)学習遅延位相歪み(LPD)の2つの概念に基づく新しいTM法を提案する。
提案手法は,様々な合成および実世界のTMベンチマークにおいて,推定速度が大幅に向上した現状のネットワークを超越した手法である。
論文 参考訳（メタデータ） (2025-04-03T15:33:18Z) - 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) - End-To-End Latent Variational Diffusion Models for Inverse Problems in
High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。
我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文 参考訳（メタデータ） (2023-05-17T17:43:10Z) - 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。