論文の概要: Machine Learning-Integrated Hybrid Fluid-Kinetic Framework for Quantum Electrodynamic Laser Plasma Simulations
- arxiv url: http://arxiv.org/abs/2510.11174v1
- Date: Mon, 13 Oct 2025 09:07:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.285483
- Title: Machine Learning-Integrated Hybrid Fluid-Kinetic Framework for Quantum Electrodynamic Laser Plasma Simulations
- Title（参考訳）: 量子電磁式レーザープラズマシミュレーションのための機械学習統合ハイブリッド流体キネティクスフレームワーク
- Authors: Sadra Saremi, Amirhossein Ahmadkhan Kordbacheh,
- Abstract要約: 本研究は,機械学習に基づく3次元ハイブリッド流体-粒子・イン・セル(PIC)システムについて紹介する。
この技術は安定領域に流体近似を用いるが、SwitchNetが不安定区間に誘導するとPICソルバを起動する。
このモデルは、決定係数(R2)が0.95以上の精度で予測し、すべてのフィールド成分に対して平均2乗誤差が10-4以下の精度で予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-intensity laser plasma interactions create complex computational problems because they involve both fluid and kinetic regimes, which need models that maintain physical precision while keeping computational speed. The research introduces a machine learning-based three-dimensional hybrid fluid-particle-in-cell (PIC) system, which links relativistic plasma behavior to automatic regime transitions. The technique employs fluid approximations for stable areas but activates the PIC solver when SwitchNet directs it to unstable sections through its training on physics-based synthetic data. The model uses a smooth transition between Ammosov-Delone-Krainov (ADK) tunneling and multiphoton ionization rates to simulate ionization, while Airy-function approximations simulate quantum electrodynamic (QED) effects for radiation reaction and pair production. The convolutional neural network applies energy conservation through physics-based loss functions, which operate on normalized fields per channel. Monte Carlo dropout provides uncertainty measurement. The hybrid model produces precise predictions with coefficient of determination (R^2) values above 0.95 and mean squared errors below 10^-4 for all field components. This adaptive approach enhances the accuracy and scalability of laser-plasma simulations, providing a unified predictive framework for high-energy-density and particle acceleration applications.
- Abstract（参考訳）: 高強度レーザープラズマ相互作用は、計算速度を維持しながら物理的精度を維持するモデルを必要とする流体状態と運動状態の両方を含むため、複雑な計算問題を発生させる。
この研究は、相対論的プラズマ挙動と自動状態遷移を結びつける機械学習に基づく3次元ハイブリッド流体-粒子-細胞(PIC)システムを紹介した。
この技術は、安定した領域に流体近似を用いるが、SwitchNetが物理ベースの合成データのトレーニングを通じて不安定な領域に誘導すると、PICソルバを起動する。
このモデルは、アンモソフ・デロネ・クライノフ(ADK)トンネルと多光子イオン化速度の間の滑らかな遷移を利用してイオン化をシミュレートし、一方エアリー関数近似は放射反応とペア生成の量子電磁力学(QED)効果をシミュレートする。
畳み込みニューラルネットワークは、物理に基づく損失関数を通じてエネルギー保存を適用し、チャネル当たりの正規化フィールドで動作する。
モンテカルロ・ドロップアウトは不確実性の測定を提供する。
ハイブリッドモデルは、0.95以上の決定係数(R^2)と、すべてのフィールド成分に対して10^-4以下の平均2乗誤差とを正確に予測する。
この適応的なアプローチは、レーザープラズマシミュレーションの精度とスケーラビリティを高め、高エネルギー密度および粒子加速応用のための統一的な予測フレームワークを提供する。
関連論文リスト
- Hybrid Fourier Neural Operator-Plasma Fluid Model for Fast and Accurate Multiscale Simulations of High Power Microwave Breakdown [2.202064335120138]
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。
論文 参考訳（メタデータ） (2025-09-06T18:24:33Z) - 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) - Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。
FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。
バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
論文 参考訳（メタデータ） (2025-04-08T14:28:54Z) - Excited-state nonadiabatic dynamics in explicit solvent using machine learned interatomic potentials [0.602276990341246]
我々はFieldSchNetを用いてQM/MM静電埋め込みを、非断熱励起状態軌跡のML/MMに置き換える。
ML/MMモデルはQM/MM表面ホッピング参照シミュレーションの電子動力学と構造再構成を再現することを示した。
論文 参考訳（メタデータ） (2025-01-28T14:14:43Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - 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) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳（メタデータ） (2023-04-21T20:49:29Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳（メタデータ） (2022-11-02T10:33:38Z) - 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)
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。