論文の概要: The Machine Learning Approach to Moment Closure Relations for Plasma: A Review

• arxiv url: http://arxiv.org/abs/2511.22486v1
• Date: Thu, 27 Nov 2025 14:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.601624
• Title: The Machine Learning Approach to Moment Closure Relations for Plasma: A Review
• Title（参考訳）: プラズマのモーメントクロージャ関係に対する機械学習アプローチ
• Authors: Samuel Burles, Enrico Camporeale,
• Abstract要約: このレビューは、改良されたプラズマクロージャモデルを開発する機械学習アプローチの最近の急増をコンパイルし、分析する。 データ駆動のクロージャを開発する上での課題と、これらの課題に対処するための今後の取り組みの方向性を強調します。
• 参考スコア（独自算出の注目度）: 0.12277343096128708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The requirement for large-scale global simulations of plasma is an ongoing challenge in both space and laboratory plasma physics. Any simulation based on a fluid model inherently requires a closure relation for the high order plasma moments. This review compiles and analyses the recent surge of machine learning approaches developing improved plasma closure models capable of capturing kinetic phenomena within plasma fluid models. The purpose of this review is both to collect and analyse the various methods employed on the plasma closure problem, including both equation discovery methods and neural network surrogate approaches, as well as to provide a general overview of the state of the problem. In particular, we highlight the challenges of developing a data-driven closure as well as the direction future work should take toward addressing these challenges, in the pursuit of a computationally viable large-scale global simulation.
• Abstract（参考訳）: プラズマの大規模大域シミュレーションの要求は、宇宙物理学と実験室プラズマ物理学の両方において進行中の課題である。 流体モデルに基づくシミュレーションは、本質的には高次プラズマモーメントの閉包関係を必要とする。 本総説では, プラズマ流体モデル内の運動現象を捉えることができる改良型プラズマクロージャモデルを開発した最近の機械学習手法の急激な進歩をまとめた。 本研究の目的は、方程式探索法とニューラルネットワークサロゲート法の両方を含むプラズマ閉鎖問題で用いられる様々な手法を収集・解析することであり、また、問題の現状を概観することである。 特に、計算可能な大規模グローバルシミュレーションの追求において、データ駆動クロージャを開発する上での課題と、これらの課題に対処するための今後の取り組みの方向性を強調した。

関連論文リスト

• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• A Survey on Diffusion Models for Inverse Problems [110.6628926886398]
  本稿では, 事前学習した拡散モデルを用いて, さらなる学習を必要とせず, 逆問題の解法について概説する。 逆問題に対する潜伏拡散モデルの使用に伴う具体的な課題と潜在的な解決策について論じる。
  論文  参考訳（メタデータ） (2024-09-30T17:34:01Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Data-driven local operator finding for reduced-order modelling of plasma systems: I. Concept and verifications [2.9320342785886973]
  低次プラズマモデルでは、様々な設定や構成で効率的にプラズマの挙動を予測することができる。 この2つの記事では、"Phi Method"を紹介します。 第1部では,候補項ライブラリに制約付き回帰を用いた新しいアルゴリズムを提案する。 パートIIは、パラメトリックダイナミクス発見のためのメソッドの応用を掘り下げる。
  論文  参考訳（メタデータ） (2024-03-03T14:50:15Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• 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 for advancing low-temperature plasma modeling and simulation [0.0]
  我々は、低温プラズマモデリングとシミュレーションへのアプローチに焦点をあてて、現状を概観する。 我々は、プラズマ科学と技術への潜在的な進歩の展望を提供する。
  論文  参考訳（メタデータ） (2023-06-30T20:48:35Z)
• 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。