論文の概要: Physics-informed Attention-enhanced Fourier Neural Operator for Solar Magnetic Field Extrapolations

• arxiv url: http://arxiv.org/abs/2510.05351v1
• Date: Mon, 06 Oct 2025 20:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:07.971133
• Title: Physics-informed Attention-enhanced Fourier Neural Operator for Solar Magnetic Field Extrapolations
• Title（参考訳）: 太陽磁場外挿用物理インフォームドアテンション強化フーリエニューラル演算子
• Authors: Jinghao Cao, Qin Li, Mengnan Du, Haimin Wang, Bo Shen,
• Abstract要約: 本研究では,太陽物理学におけるフォースフリーフィールド(NLFFF)問題を解決するために,物理インフォームドアテンション強化ニューラル演算子(PIANO)を提案する。 繰り返し数値法に依存する従来の手法とは異なり,提案手法は2次元境界条件から直接3次元磁場構造を学習する。 ISEE NLFFFデータセットによる実験結果から、我々のPIANOは最先端のニューラル演算子を精度で上回るだけでなく、NLFFFデータの物理的特性と強い整合性も示している。
• 参考スコア（独自算出の注目度）: 24.60472525182772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Physics-informed Attention-enhanced Fourier Neural Operator (PIANO) to solve the Nonlinear Force-Free Field (NLFFF) problem in solar physics. Unlike conventional approaches that rely on iterative numerical methods, our proposed PIANO directly learns the 3D magnetic field structure from 2D boundary conditions. Specifically, PIANO integrates Efficient Channel Attention (ECA) mechanisms with Dilated Convolutions (DC), which enhances the model's ability to capture multimodal input by prioritizing critical channels relevant to the magnetic field's variations. Furthermore, we apply physics-informed loss by enforcing the force-free and divergence-free conditions in the training process so that our prediction is consistent with underlying physics with high accuracy. Experimental results on the ISEE NLFFF dataset show that our PIANO not only outperforms state-of-the-art neural operators in terms of accuracy but also shows strong consistency with the physical characteristics of NLFFF data across magnetic fields reconstructed from various solar active regions. The GitHub of this project is available https://github.com/Autumnstar-cjh/PIANO
• Abstract（参考訳）: 本研究では,太陽物理学における非線形力場(NLFFF)問題を解決するために,物理インフォームドアテンション強化フーリエニューラル演算子(PIANO)を提案する。 繰り返し数値法に依存する従来の手法とは異なり,提案手法は2次元境界条件から直接3次元磁場構造を学習する。 具体的には、PIANOはDilated Convolutions(DC)とECA(Efficient Channel Attention)機構を統合し、磁場の変動に関連する重要なチャネルを優先順位付けすることで、モデルがマルチモーダル入力をキャプチャする能力を向上する。 さらに, トレーニングプロセスにおいて, 無力, 無発散条件を強制することにより, 物理インフォームド・ロスを適用し, 予測が基礎となる物理と高精度に一致するようにした。 ISEE NLFFFデータセットによる実験結果から、我々のPIANOは最先端のニューラル演算子を精度で上回るだけでなく、様々な太陽活動領域から再構成された磁場にまたがるNLFFFデータの物理的特性と強い整合性も示している。 このプロジェクトのGitHubはhttps://github.com/Autumnstar-cjh/PIANOで入手できる。

関連論文リスト

• Physical knowledge improves prediction of EM Fields [2.772393030165581]
  本研究では,高周波コイル内における電磁界の空間分布を予測するための3次元U-Netモデルを提案する。 物理学で拡張された変種であるU-Net Physを導入し、ガウスの磁性の法則を有限差分による損失関数に組み込む。
  論文  参考訳（メタデータ） (2025-03-12T10:22:57Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• A physics-encoded Fourier neural operator approach for surrogate modeling of divergence-free stress fields in solids [6.877349053520825]
  固体中の準静的平衡応力場のシュロゲートモデリングのための物理符号化フーリエニューラル演算子(PeFNO)を開発した。 準静的機械平衡に対する対応する境界値問題の数値解からトレーニング用応力場データを得る。 トレーニングされたPgFNOの出力は、トレーニングされたPgFNOまたはトレーニングされたPiFNOの出力よりも、機械的平衡を満たすのにかなり正確である。
  論文  参考訳（メタデータ） (2024-08-27T21:18:41Z)
• Generalized Gouy Rotation of Electron Vortex beams in uniform magnetic fields [54.010858975226945]
  電子渦ビームの固有回転は、ビームの円筒対称性を破って磁場下で実験的に観察されている。 ランダウ状態のグーイ位相と実験的に観測された角変化を結びつける一般化したグーイ回転角を導入・導出する。 我々の結果は、原理的には、均一磁場中の電子渦ビームを含むあらゆるシステムに適用できる。
  論文  参考訳（メタデータ） (2024-07-03T03:29:56Z)
• Global-local Fourier Neural Operator for Accelerating Coronal Magnetic Field Model [17.256941005824576]
  FNOの2つの分岐を含むグローバルローカルフーリエニューラル演算子(GL-FNO)を提案する。 GLFNOの性能は、FNO、U-NO、U-FNO、Vision Transformer、CNN-RNN、CNN-LSTMといった最先端のディープラーニング手法と比較される。 その結果、GL-FNOはMHDシミュレーションを加速するだけでなく、信頼性の高い予測能力も提供し、宇宙気象力学の理解に大きく貢献することが示された。
  論文  参考訳（メタデータ） (2024-05-21T13:04:53Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation [60.706803227003995]
  FC-PINO(Fourier-Continuation-based PINO)アーキテクチャを導入し、PINOの精度と効率を非周期的および非滑らかなPDEに拡張する。 標準的なPINOは、非周期的および非滑らかなPDEを高い精度で、挑戦的なベンチマークで解くのに苦労していることを実証する。 対照的に、提案されたFC-PINOは、正確で堅牢でスケーラブルなソリューションを提供し、PINOの代替案よりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-11-29T06:37:54Z)
• Spin Entanglement and Magnetic Competition via Long-range Interactions in Spinor Quantum Optical Lattices [62.997667081978825]
  超低温物質中における空洞を介する長距離磁気相互作用と光学格子の効果について検討した。 競合シナリオを導入しながら,グローバルな相互作用がシステムの根底にある磁気特性を変化させていることが判明した。 これにより、量子情報目的のためのロバストなメカニズムの設計に向けた新しい選択肢が可能になる。
  論文  参考訳（メタデータ） (2020-11-16T08:03:44Z)
• Ferromagnetic Gyroscopes for Tests of Fundamental Physics [49.853792068336034]
  強磁性ジャイロスコープ(英: ferromagnetic gyroscope、FG)は、強磁性体で、角運動量が電子スピンの偏極によって支配され、外部トルクの作用の下で進行する。 我々はFGの力学と感度をモデル化し、実験的な実現のための実践的なスキームに焦点をあてる。
  論文  参考訳（メタデータ） (2020-10-17T07:13:50Z)

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。