論文の概要: A Physics Informed Neural Network For Deriving MHD State Vectors From Global Active Regions Observations

• arxiv url: http://arxiv.org/abs/2512.20747v1
• Date: Tue, 23 Dec 2025 20:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.590581
• Title: A Physics Informed Neural Network For Deriving MHD State Vectors From Global Active Regions Observations
• Title（参考訳）: 地球活動領域観測からMHD状態ベクトルを導出する物理インフォームニューラルネットワーク
• Authors: Subhamoy Chatterjee, Mausumi Dikpati,
• Abstract要約: 太陽活動領域(AR)はランダムに現れるのではなく、長手方向に歪んだトロイダルバンド(トロイダル)に沿って団結する フレアを発生させるARの出現の1週間の早期予測には、これらのトロイドの前方統合が必要である。 我々はPINNBARDSという新しい物理インフォームドニューラルネットワーク(PINN)ベースのAR分散シミュレータを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solar active regions (ARs) do not appear randomly but cluster along longitudinally warped toroidal bands ('toroids') that encode information about magnetic structures in the tachocline, where global-scale organization likely originates. Global MagnetoHydroDynamic Shallow-Water Tachocline (MHD-SWT) models have shown potential to simulate such toroids, matching observations qualitatively. For week-scale early prediction of flare-producing AR emergence, forward-integration of these toroids is necessary. This requires model initialization with a dynamically self-consistent MHD state-vector that includes magnetic, flow fields, and shell-thickness variations. However, synoptic magnetograms provide only geometric shape of toroids, not the state-vector needed to initialize MHD-SWT models. To address this challenging task, we develop PINNBARDS, a novel Physics-Informed Neural Network (PINN)-Based AR Distribution Simulator, that uses observational toroids and MHD-SWT equations to derive initial state-vector. Using Feb-14-2024 SDO/HMI synoptic map, we show that PINN converges to physically consistent, predominantly antisymmetric toroids, matching observed ones. Although surface data provides north and south toroids' central latitudes, and their latitudinal widths, they cannot determine tachocline field strengths, connected to AR emergence. We explore here solutions across a broad parameter range, finding hydrodynamically-dominated structures for weak fields (~2 kG) and overly rigid behavior for strong fields (~100 kG). We obtain best agreement with observations for 20-30 kG toroidal fields, and ~10 degree bandwidth, consistent with low-order longitudinal mode excitation. To our knowledge, PINNBARDS serves as the first method for reconstructing state-vectors for hidden tachocline magnetic structures from surface patterns; potentially leading to weeks ahead prediction of flare-producing AR-emergence.
• Abstract（参考訳）: 太陽活動領域(AR)はランダムに現れるのではなく、タコクリンの磁気構造に関する情報を符号化する長手歪んだトロイダルバンド(トロイダル)に沿って集結している。 MHD-SWT(Global magnetoHydroDynamic Shallow-Water Tachocline)モデルでは、トロイドを擬似的にシミュレートし、観察を質的に整合させる可能性が示されている。 フレアを発生させるARの出現の1週間の早期予測には、これらのトロイドの前方統合が必要である。 これは動的自己整合MHD状態ベクトルによるモデル初期化を必要とし、磁気、流れ場、シェル厚さの変動を含む。 しかし、合成磁気グラムは、MHD-SWTモデルを初期化するために必要な状態ベクトルではなく、トロイドの幾何学的形状のみを提供する。 この課題に対処するために、観測トロイドとMHD-SWT方程式を用いて初期状態ベクトルを導出する新しい物理情報ニューラルネットワーク(PINN)ベースのAR分散シミュレータであるPINNBARDSを開発した。 Feb-14-2024 SDO/HMI合成マップを用いて、PINNは物理的に一貫した、主に反対称トロイドに収束し、観測されたトロイドと一致することを示す。 表面データは、北と南のトロイドの中央緯度と緯度幅を提供するが、ARの出現に関連するタコクリンの磁場強度は決定できない。 ここでは,弱体 (~2 kG) の流体力学的支配構造と強体 (~100 kG) の過度に固い挙動を求める。 我々は20-30kGのトロイダル場と,低次長手モード励起と整合した帯域幅の観測値とを最もよく一致させる。 我々の知る限り、PINNBARDSは、表面パターンから隠れたタコクリン磁気構造のための状態ベクトルを再構築する最初の方法として機能し、フレア生成ARの出現を数週間先まで予測する可能性がある。

関連論文リスト

• From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
  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。
  論文  参考訳（メタデータ） (2025-12-01T11:47:49Z)
• Three-dimensional inversion of gravity data using implicit neural representations [2.7372527234669115]
  重力データのインバージョンは、多様な応用に関連する地下密度の変動を研究する重要な方法である。 ここでは,三次元重力インバージョンを連続場として表す科学的機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-17T03:55:08Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Physics-Guided Diffusion Transformer with Spherical Harmonic Posterior Sampling for High-Fidelity Angular Super-Resolution in Diffusion MRI [10.521817442478543]
  物理誘導拡散変換器 (PGDiT) を導入し, トレーニング段階と推論段階の両方において, 物理的先行を探索する。 トレーニング中、bベクトル変調とランダム角マスキングを備えたQ-space Geometry-Aware Module (QGAM)は、方向対応表現学習を容易にする。 推測では、2段階の球高調波誘導後サンプリング(SHPS)が取得したデータとの整合を強制し、続いて熱拡散に基づく正則化によって物理的に妥当な再構成が保証される。
  論文  参考訳（メタデータ） (2025-09-07T04:31:58Z)
• TopoLiDM: Topology-Aware LiDAR Diffusion Models for Interpretable and Realistic LiDAR Point Cloud Generation [15.223634903890863]
  TopoLiDMは、高忠実度LiDAR生成のためのトポロジカル正規化の下で、グラフニューラルネットワークと拡散モデルを統合する新しいフレームワークである。 我々のアプローチはまず、グラフ構造と複数のグラフ畳み込み層によって潜在グラフ表現を抽出するために、位相保存型VAEを訓練する。 KITTI-360データセットの大規模な実験は、最先端の手法よりもTopoLiDMの方が優れていることを示している。
  論文  参考訳（メタデータ） (2025-07-30T08:02:42Z)
• Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.1572025118388268]
  ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。 極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
  論文  参考訳（メタデータ） (2025-07-02T19:33:57Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• 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)

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。