論文の概要: From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics

• arxiv url: http://arxiv.org/abs/2512.01576v1
• Date: Mon, 01 Dec 2025 11:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.832025
• Title: From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics
• Title（参考訳）: ブラックホールから銀河へ:ニューラル演算子:蓄積とフィードバックダイナミクスのためのフレームワーク
• Authors: Nihaal Bhojwani, Chuwei Wang, Hai-Yang Wang, Chang Sun, Elias R. Most, Anima Anandkumar,
• Abstract要約: ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。 微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
• 参考スコア（独自算出の注目度）: 70.27068115318681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling how supermassive black holes co-evolve with their host galaxies is notoriously hard because the relevant physics spans nine orders of magnitude in scale-from milliparsecs to megaparsecs--making end-to-end first-principles simulation infeasible. To characterize the feedback from the small scales, existing methods employ a static subgrid scheme or one based on theoretical guesses, which usually struggle to capture the time variability and derive physically faithful results. Neural operators are a class of machine learning models that achieve significant speed-up in simulating complex dynamics. We introduce a neural-operator-based ''subgrid black hole'' that learns the small-scale local dynamics and embeds it within the direct multi-level simulations. Trained on small-domain (general relativistic) magnetohydrodynamic data, the model predicts the unresolved dynamics needed to supply boundary conditions and fluxes at coarser levels across timesteps, enabling stable long-horizon rollouts without hand-crafted closures. Thanks to the great speedup in fine-scale evolution, our approach for the first time captures intrinsic variability in accretion-driven feedback, allowing dynamic coupling between the central black hole and galaxy-scale gas. This work reframes subgrid modeling in computational astrophysics with scale separation and provides a scalable path toward data-driven closures for a broad class of systems with central accretors.
• Abstract（参考訳）: 超大質量ブラックホールが宿主銀河とどのように共存するかのモデリングは、関連する物理学はミリパーセクからメガパーセクまでの9桁のスケールにまたがるため、非常に難しい。 小さなスケールからフィードバックを特徴付けるために、既存の手法では静的なサブグリッドスキームまたは理論的な推測に基づいており、通常は時間的変動を捉え、物理的に忠実な結果を導き出すのに苦労している。 ニューラル演算子(Neural operator)は、複雑な力学をシミュレートする際の大きなスピードアップを実現する機械学習モデルのクラスである。 ニューラルネットワークを用いた「サブグリッドブラックホール」を導入し,小型局所力学を学習し,直接マルチレベルシミュレーションに組み込む。 小領域(一般相対論的)の磁気流体力学データに基づいて、このモデルは境界条件や粗いレベルのフラックスの供給に必要な未解決のダイナミクスを予測し、手作りのクロージャなしで安定した長距離ロールアウトを可能にする。 微細な進化の大きなスピードアップのおかげで、我々は初めて、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。 この研究は、スケール分離を伴う計算天体物理学のサブグリッドモデリングを再構成し、中心加速度を持つ幅広いクラスのシステムに対して、データ駆動のクロージャへのスケーラブルな経路を提供する。

関連論文リスト

• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
  本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。 本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
  論文  参考訳（メタデータ） (2025-02-11T22:14:30Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs [19.1312659245072]
  我々は,データ駆動型離散化不変フレームワークであるGIOROMについて,低次モデリング(ROM)によるラグランジアンシミュレーションを高速化する。 我々は、PDEソリューション演算子のデータ駆動グラフに基づくニューラル近似を利用する。 GIOROMは6.6$times$-32$times$の入力次元の縮小を実現し、多様なラグランジアン体制における高忠実度再構成を維持している。
  論文  参考訳（メタデータ） (2024-07-04T13:37:26Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Predicting Physics in Mesh-reduced Space with Temporal Attention [15.054026802351146]
  本稿では,トランス方式の時間的アテンションモデルを用いて,長期的依存関係をキャプチャする手法を提案する。 本手法は, 複雑な流体力学予測タスクにおいて, 競合するGNNベースラインよりも優れる。 我々のアプローチは、高次元複雑な物理課題の解決に注意に基づくシーケンスモデルの利点をもたらす道を開いたと信じている。
  論文  参考訳（メタデータ） (2022-01-22T18:32:54Z)
• Absolutely Stable Spatiotemporal Order in Noisy Quantum Systems [0.0]
  単元的あるいは散逸的摂動に対して、無限に長寿命な離散次数を示す非単元的量子力学のモデルを導入する。 クリフォード回路の2次元数値シミュレーションを用いて,この主張を実証する。
  論文  参考訳（メタデータ） (2021-11-03T19:52:15Z)
• Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
  我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。 我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
  論文  参考訳（メタデータ） (2020-12-01T03:30:37Z)

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。