論文の概要: Narrow Operator Models of Stellarator Equilibria in Fourier Zernike Basis

• arxiv url: http://arxiv.org/abs/2510.13521v1
• Date: Wed, 15 Oct 2025 13:13:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.676012
• Title: Narrow Operator Models of Stellarator Equilibria in Fourier Zernike Basis
• Title（参考訳）: Fourier Zernike Basisにおけるステラレータ平衡の狭小演算子モデル
• Authors: Timo Thun, Rory Conlin, Dario Panici, Daniel Böckenhoff,
• Abstract要約: 理想的な磁気流体力学(MHD)平衡磁場の数値計算は、ステラレータ最適化の基礎にある。 固定境界と回転変換を持つ平衡の連続分布を解くための最初の数値的手法を提案する。
• 参考スコア（独自算出の注目度）: 0.71747343065587
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Numerical computation of the ideal Magnetohydrodynamic (MHD) equilibrium magnetic field is at the base of stellarator optimisation and provides the starting point for solving more sophisticated Partial Differential Equations (PDEs) like transport or turbulence models. Conventional approaches solve for a single stationary point of the ideal MHD equations, which is fully defined by three invariants and the numerical scheme employed by the solver. We present the first numerical approach that can solve for a continuous distribution of equilibria with fixed boundary and rotational transform, varying only the pressure invariant. This approach minimises the force residual by optimising parameters of multilayer perceptrons (MLP) that map from a scalar pressure multiplier to the Fourier Zernike basis as implemented in the modern stellarator equilibrium solver DESC.
• Abstract（参考訳）: 理想的な磁気流体力学(MHD)平衡磁場の数値計算は、ステラレータ最適化の基礎にあり、輸送モデルや乱流モデルのようなより洗練された偏微分方程式(PDE)を解く出発点となる。 従来のアプローチでは、理想的なMHD方程式の1つの定常点が解かれるが、これは3つの不変量と解法によって用いられる数値スキームによって完全に定義される。 圧力不変量だけを変化させる固定境界と回転変換を持つ平衡の連続分布を解くための最初の数値的手法を提案する。 この手法は、スカラー圧力乗算器からフーリエ・ツェンニーク基底に写像する多層パーセプトロン(MLP)のパラメータを、現代のステラレータ平衡解法DESCに実装したパラメータを最適化することによって、力の残留を最小化する。

関連論文リスト

• Wigner transport in linear electromagnetic fields [0.0]
  方程式解析を行い、高階微分を解くための有限差分法がフレドホルム積分方程式への再構成を可能にすることを示す。 一般物理量の平均を評価するアルゴリズムと,Wigner関数を直接評価するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-12T14:46:43Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Structural aspects of FRG in quantum tunnelling computations [68.8204255655161]
  一次元の4次元高調波発振器とダブルウェルポテンシャルの両方を探索する。 ポテンシャルV_k(varphi)と波動関数再正規化Z_k(varphi)の2つの偏微分方程式について検討した。
  論文  参考訳（メタデータ） (2022-06-14T15:23:25Z)
• Variational Monte Carlo Approach to Partial Differential Equations with Neural Networks [0.0]
  我々は高次元確率分布の進化を規定する偏微分方程式を解くための変分的アプローチを開発する。 我々のアプローチは自然に非有界連続領域に作用し、その変動パラメータを通して全確率密度関数を符号化する。 検討されたベンチマークケースに対しては、従来の計算手法に到達できないレジームにおける解析解と同様に、数値解との優れた一致を観察する。
  論文  参考訳（メタデータ） (2022-06-04T07:36:35Z)
• Global Convergence of Over-parameterized Deep Equilibrium Models [52.65330015267245]
  ディープ均衡モデル(Deep equilibrium model, DEQ)は、入射を伴う無限深度重み付きモデルの平衡点を通して暗黙的に定義される。 無限の計算の代わりに、ルートフィンディングで直接平衡点を解き、暗黙の微分で勾配を計算する。 本稿では,無限深度重み付きモデルの非漸近解析における技術的困難を克服する新しい確率的枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:00:13Z)
• Parsimonious Physics-Informed Random Projection Neural Networks for Initial-Value Problems of ODEs and index-1 DAEs [0.0]
  非線形ODEのIDPの線形単純形式とインデックス-1DAEの数値解に対するランダムな投影に基づく物理インフォームニューラルネットワークに対処する。 従来のランダムなプロジェクションに関する研究に基づいて、正準形式におけるODEのスキームと半明示形式におけるインデックス-1DAEの近似能力を証明した。
  論文  参考訳（メタデータ） (2022-03-10T12:34:46Z)
• Last-Iterate Convergence of Saddle-Point Optimizers via High-Resolution Differential Equations [83.3201889218775]
  広く使われている1次サドル点最適化法は、帰納的導出時に同一の連続時間常微分方程式(ODE)を導出する。 しかし、これらの方法の収束特性は、単純な双線型ゲームでさえ質的に異なる。 いくつかのサドル点最適化法のための微分方程式モデルの設計に流体力学の研究フレームワークを採用する。
  論文  参考訳（メタデータ） (2021-12-27T18:31:34Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。