論文の概要: Fast-Forward Lattice Boltzmann: Learning Kinetic Behaviour with Physics-Informed Neural Operators

• arxiv url: http://arxiv.org/abs/2509.22411v1
• Date: Fri, 26 Sep 2025 14:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.507186
• Title: Fast-Forward Lattice Boltzmann: Learning Kinetic Behaviour with Physics-Informed Neural Operators
• Title（参考訳）: 高速前進格子ボルツマン:物理インフォームドニューラル演算子による運動行動の学習
• Authors: Xiao Xue, Marco F. P. ten Eikelder, Mingyang Gao, Xiaoyuan Cheng, Yiming Yang, Yi He, Shuo Wang, Sibo Cheng, Yukun Hu, Peter V. Coveney,
• Abstract要約: 格子ボルツマン方程式(LBE)のための物理インフォームドニューラルネットワークフレームワークを提案する。 我々のフレームワークは離散化不変であり、粗い格子で訓練されたモデルをより微細なものに一般化することができる。 その結果,von Karman vortex shedding, ligament breakup, bubble adhesionなどの複雑な流れシナリオの堅牢性を示した。
• 参考スコア（独自算出の注目度）: 37.65214107289304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The lattice Boltzmann equation (LBE), rooted in kinetic theory, provides a powerful framework for capturing complex flow behaviour by describing the evolution of single-particle distribution functions (PDFs). Despite its success, solving the LBE numerically remains computationally intensive due to strict time-step restrictions imposed by collision kernels. Here, we introduce a physics-informed neural operator framework for the LBE that enables prediction over large time horizons without step-by-step integration, effectively bypassing the need to explicitly solve the collision kernel. We incorporate intrinsic moment-matching constraints of the LBE, along with global equivariance of the full distribution field, enabling the model to capture the complex dynamics of the underlying kinetic system. Our framework is discretization-invariant, enabling models trained on coarse lattices to generalise to finer ones (kinetic super-resolution). In addition, it is agnostic to the specific form of the underlying collision model, which makes it naturally applicable across different kinetic datasets regardless of the governing dynamics. Our results demonstrate robustness across complex flow scenarios, including von Karman vortex shedding, ligament breakup, and bubble adhesion. This establishes a new data-driven pathway for modelling kinetic systems.
• Abstract（参考訳）: 格子ボルツマン方程式(LBE)は、運動理論に根ざした、単一粒子分布関数(PDF)の進化を記述することによって複雑な流れの振る舞いを捉える強力な枠組みを提供する。 その成功にもかかわらず、LBEの解法は衝突カーネルが課す厳格な時間ステップ制限のため、数値的に計算集約的なままである。 本稿では,LBEのための物理インフォームド・ニューラル・オペレーター・フレームワークについて紹介する。これは,衝突カーネルを明示的に解く必要性を回避し,ステップ・バイ・ステップの統合を伴わずに,大規模な時間地平線上での予測を可能にする。 我々は,LBEの内在的モーメントマッチング制約と全分布場の大域的等式を取り入れ,モデルが基礎となる運動系の複雑な力学を捉えることを可能にする。 我々のフレームワークは離散化不変であり、粗格子上で訓練されたモデルがより微細なもの(運動的超解像)に一般化することができる。 さらに、基礎となる衝突モデルの特定の形態に依存しないため、制御力学によらず、様々な速度論的データセットに自然に適用できる。 以上の結果から,von Karman vortex shedding, ligament breakup, bubble adhesionなどの複雑な流れシナリオにおける堅牢性を示した。 これにより、運動システムをモデリングするための新しいデータ駆動経路が確立される。

関連論文リスト

• Is memory all you need? Data-driven Mori-Zwanzig modeling of Lagrangian particle dynamics in turbulent flows [38.33325744358047]
  本研究では,乱流ラグランジアン軌道を短時間の予測に適した精度で発展させることのできる代理力学系をいかに学習できるかを示す。 これにより、例えば乱流における活性ラグランジアン剤の制御など、様々な新しい応用が開かれる。
  論文  参考訳（メタデータ） (2025-07-21T20:50:55Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Unraveling Open Quantum Dynamics with Time-Dependent Variational Monte Carlo [0.0]
  本稿では,時間依存型変分モンテカルロ(VMC)と量子軌道法を組み合わせることにより,オープン量子多体力学をシミュレートする手法を提案する。 我々のアプローチはリンドブラッドのマスター方程式を変分アンザッツに対するシュリンガー方程式のアンサンブルに展開する。 この研究により、より高次元の複雑な散逸性量子系の大規模シミュレーションが可能となり、量子技術や基礎科学に幅広い影響を及ぼす。
  論文  参考訳（メタデータ） (2025-06-30T14:56:01Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。