論文の概要: Hybrid Physical-Neural Simulator for Fast Cosmological Hydrodynamics

• arxiv url: http://arxiv.org/abs/2510.26593v1
• Date: Thu, 30 Oct 2025 15:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.880073
• Title: Hybrid Physical-Neural Simulator for Fast Cosmological Hydrodynamics
• Title（参考訳）: 高速宇宙流体力学のためのハイブリッド物理・ニューラルシミュレータ
• Authors: Arne Thomsen, Tilman Tröster, François Lanusse,
• Abstract要約: 本稿では,ニューラルネットワークによって流体力学をパラメータ化しながら,微分可能な粒子-メシュ解法を用いて重力力を計算するハイブリッド手法を提案する。 このアプローチは、よりデータ効率が良く、単一の参照シミュレーションによる宇宙構造の形成は、神経圧モデルを制限するのに十分である。
• 参考スコア（独自算出の注目度）: 2.5807659587068534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cosmological field-level inference requires differentiable forward models that solve the challenging dynamics of gas and dark matter under hydrodynamics and gravity. We propose a hybrid approach where gravitational forces are computed using a differentiable particle-mesh solver, while the hydrodynamics are parametrized by a neural network that maps local quantities to an effective pressure field. We demonstrate that our method improves upon alternative approaches, such as an Enthalpy Gradient Descent baseline, both at the field and summary-statistic level. The approach is furthermore highly data efficient, with a single reference simulation of cosmological structure formation being sufficient to constrain the neural pressure model. This opens the door for future applications where the model is fit directly to observational data, rather than a training set of simulations.
• Abstract（参考訳）: 宇宙場レベルの推論は、流体力学と重力下での気体やダークマターの挑戦的なダイナミクスを解決する、微分可能な前方モデルを必要とする。 本研究では, 流体力学をニューラルネットワークでパラメータ化し, 局所的な量を有効圧力場にマッピングする手法を提案する。 本研究では,Enthalpy Gradient Descentベースラインなど,フィールドと要約統計の両面において,提案手法が改良されることを実証する。 このアプローチは、よりデータ効率が良く、単一の参照シミュレーションによる宇宙構造の形成は、神経圧モデルを制限するのに十分である。 これは、モデルがシミュレーションのトレーニングセットではなく、観察データに直接適合する将来の応用への扉を開く。

関連論文リスト

• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Physics-informed neural networks in the recreation of hydrodynamic simulations from dark matter [1.786053901581251]
  本稿では,バリオン塗布における物理インフォームドニューラルネットワークの最初の応用について述べる。 散乱再生を強制するKullback-Leiblerの発散に基づく時間的予測比較を導入する。
  論文  参考訳（メタデータ） (2023-03-24T15:55:09Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Physics informed machine learning with Smoothed Particle Hydrodynamics: Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
  この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。 Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
  論文  参考訳（メタデータ） (2021-10-25T22:57:40Z)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)
• 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。