論文の概要: Matrix Product State Simulation of Reacting Shear Flows

• arxiv url: http://arxiv.org/abs/2512.13661v1
• Date: Mon, 15 Dec 2025 18:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.818136
• Title: Matrix Product State Simulation of Reacting Shear Flows
• Title（参考訳）: 反応せん断流れのマトリックス生成物状態シミュレーション
• Authors: Robert Pinkston, Nikita Gourianov, Hirad Alipanah, Peyman Givi, Dieter Jaksch, Juan Jose Mendoza-Arenas,
• Abstract要約: 行列積状態 (MPS) は、多くの体物理学で用いられるテンソルネットワーク (TN) の一種である。 アナスタスは、発熱と圧縮性による混合の低減など、関連するすべての物理を正確に捉えている。 高いレイノルズ数でのDNSデータの事前解析では、いくつかのトランスポート変数に対して99.99%の圧縮を示す。
• 参考スコア（独自算出の注目度）: 0.6927055673104934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Direct numerical simulation (DNS) of turbulent reactive flows has been the subject of significant research interest for several decades. Accurate prediction of the effects of turbulence on the rate of reactant conversion, and the subsequent influence of chemistry on hydrodynamics remain a challenge in combustion modeling. The key issue in DNS is to account for the wide range of temporal and spatial physical scales that are caused by complex interactions of turbulence and chemistry. In this work, a new computational methodology is developed that is shown to provide a viable alternative to DNS. The framework is the matrix product state (MPS), a form of tensor network (TN) as used in computational many body physics. The MPS is a well-established ansatz for efficiently representing many types of quantum states in condensed matter systems, allowing for an exponential compression of the required memory compared to exact diagonalization methods. Due to the success of MPS in quantum physics, the ansatz has been adapted to problems outside its historical domain, notably computational fluid dynamics. Here, the MPS is used for computational simulation of a shear flow under non-reacting and nonpremixed chemically reacting conditions. Reductions of 30% in memory are demonstrated for all transport variables, accompanied by excellent agreements with DNS. The anastaz accurately captures all pertinent flow physics such as reduced mixing due to exothermicity & compressibility, and the formation of eddy shocklets at high Mach numbers. A priori analysis of DNS data at higher Reynolds numbers shows compressions as large as 99.99% for some of the transport variables. This level of compression is encouraging and promotes the use of MPS for simulations of complex turbulent combustion systems.
• Abstract（参考訳）: 乱流反応流の直接数値シミュレーション(DNS)は、数十年にわたり重要な研究対象となっている。 反応変換速度に対する乱流の影響の正確な予測と流体力学への化学の影響は、燃焼モデルにおける課題である。 DNSの鍵となる問題は、乱流と化学の複雑な相互作用によって引き起こされる広範囲の時間的および空間的物理的スケールを考慮することである。 本研究では,DNSの代替となる新しい計算手法を開発した。 このフレームワークは、計算多くの体物理学で用いられるテンソルネットワーク(TN)の形式である行列積状態(MPS)である。 MPSは、凝縮物質系における多くの種類の量子状態を効率的に表現するための確立されたアンサッツであり、正確な対角化法と比較して必要なメモリを指数的に圧縮することができる。 量子物理学におけるMPSの成功により、アンザッツは歴史的領域以外の問題、特に計算流体力学に適応してきた。 ここで、MPSは非反応および非予混合化学反応条件下でのせん断流れの計算シミュレーションに使用される。 すべてのトランスポート変数に対して、メモリの30%の削減が示され、DNSとの優れた合意が得られた。 アナスタスは、発熱と圧縮性による混合の低減や、マッハ数の多い渦状ショックレットの形成など、関連する全ての流れの物理を正確に捉えている。 高いレイノルズ数でのDNSデータの事前解析では、いくつかのトランスポート変数に対して99.99%の圧縮を示す。 このレベルの圧縮は、複雑な乱流燃焼システムのシミュレーションにMPSを使うことを奨励し、促進している。

関連論文リスト

• Simulating Quantum Turbulence with Matrix Product States [0.0]
  量子乱流は、システムサイズ$L$からヒーリング長さ$xi$までの長さスケールにまたがる。 波動関数を効率的に圧縮するGross-Pitaevskii(GP)方程式の行列積状態(MPS)解法を提案する。 このアプローチにより、DNSと比較して10倍から1万倍以上の要因によるメモリ使用率の削減が図られる。
  論文  参考訳（メタデータ） (2025-08-17T00:50:52Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Chemically Motivated Simulation Problems are Efficiently Solvable by a Quantum Computer [0.8084821240164534]
  量子コンピュータはこのボトルネックを克服する計算方法として提案されている。 本稿では, 化学的シミュレーション問題を解くために, 本質的に効率的なルーチンに基づくガイド付きアプローチを提案する。 プロセスの量子シミュレーション後に測定できる化学的な関心の量について論じる。
  論文  参考訳（メタデータ） (2024-01-17T15:17:30Z)
• 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)
• Deep Surrogate for Direct Time Fluid Dynamics [44.62475518267084]
  グラフニューラルネットワーク(GNN)は、CFDシミュレーションで一般的に使用される不規則メッシュの特異性に対処することができる。 我々は、不規則メッシュのための新しい直接時間GNNアーキテクチャを設計するために、現在進行中の作業を示す。
  論文  参考訳（メタデータ） (2021-12-16T10:08:20Z)
• Reconstructing High-resolution Turbulent Flows Using Physics-Guided Neural Networks [3.9548535445908928]
  乱流の直接数値シミュレーション(DNS)は計算コストが高く、レイノルズ数が大きい流れには適用できない。 大規模渦シミュレーション(LES)は計算量が少ないが、乱流輸送の全てのスケールを正確に捉えることはできない。 LES予測からDNSデータを再構築するための超解像技術に基づく新しいデータ駆動手法を構築した。
  論文  参考訳（メタデータ） (2021-09-06T03:01:24Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。