論文の概要: Deterministic and probabilistic neural surrogates of global hybrid-Vlasov simulations

• arxiv url: http://arxiv.org/abs/2601.12614v2
• Date: Wed, 21 Jan 2026 04:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 14:57:00.083948
• Title: Deterministic and probabilistic neural surrogates of global hybrid-Vlasov simulations
• Title（参考訳）: グローバルハイブリッド・ブラソフシミュレーションにおける決定論的および確率論的ニューラルネットワークサロゲート
• Authors: Daniel Holmberg, Ivan Zaitsev, Markku Alho, Ioanna Bouri, Fanni Franssila, Haewon Jeong, Minna Palmroth, Teemu Roos,
• Abstract要約: ハイブリッド・ブラソフシミュレーションは、太陽風と磁気圏の相互作用をモデル化するためのイオン-運動効果を解く。 グラフベース機械学習エミュレータは、電界の進化とイオン速度分布の低次モーメントを学習できることを示す。
• 参考スコア（独自算出の注目度）: 3.7612198046810814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid-Vlasov simulations resolve ion-kinetic effects for modeling the solar wind-magnetosphere interaction, but even 5D (2D + 3V) simulations are computationally expensive. We show that graph-based machine learning emulators can learn the spatiotemporal evolution of electromagnetic fields and lower order moments of ion velocity distribution in the near-Earth space environment from four 5D Vlasiator runs performed with identical steady solar wind conditions. The initial ion number density is systematically varied, while the grid spacing is held constant, to scan the ratio of the characteristic ion skin depth to the numerical grid size. Using a graph neural network architecture operating on the 2D spatial simulation grid comprising 670k cells, we demonstrate that both a deterministic forecasting model (Graph-FM) and a probabilistic ensemble forecasting model (Graph-EFM) based on a latent variable formulation are capable of producing accurate predictions of future plasma states. A divergence penalty is incorporated during training to encourage divergence-freeness in the magnetic fields and improve physical consistency. For the probabilistic model, a continuous ranked probability score objective is added to improve the calibration of the ensemble forecasts. When trained, the emulators achieve more than two orders of magnitude speedup in generating the next time step relative to the original simulation on a single GPU compared to 100 CPUs for the Vlasiator runs, while closely matching physical magnetospheric response of the different runs. These results demonstrate that machine learning offers a way to make hybrid-Vlasov simulation tractable for real-time use while providing forecast uncertainty.
• Abstract（参考訳）: ハイブリッド・ブラソフシミュレーションは、太陽風と磁気圏の相互作用をモデル化するためのイオン-運動効果を解くが、5D (2D + 3V) のシミュレーションでさえ計算的に高価である。 本研究では, 同一の定常太陽風条件下での4つの5次元フラシエータから, 電界の時空間変化と地球近傍空間におけるイオン速度分布の低次モーメントを, グラフベース機械学習エミュレータで学習可能であることを示す。 初期イオン数密度は、グリッド間隔を一定に保ちながら体系的に変化し、特徴イオン皮膚深さと数値グリッドサイズとの比を走査する。 670kセルからなる2次元空間シミュレーショングリッド上で動作するグラフニューラルネットワークアーキテクチャを用いて、決定論的予測モデル(Graph-FM)と潜在変数の定式化に基づく確率的アンサンブル予測モデル(Graph-EFM)の両方が、将来のプラズマ状態の正確な予測を生成することができることを示した。 磁場のばらつきを奨励し、物理的整合性を改善するために、トレーニング中に分散ペナルティが組み込まれている。 確率モデルには、アンサンブル予測の校正を改善するために、連続的なランク付け確率スコア目標が加えられる。 トレーニングされると、エミュレータは、Vlasiatorの100CPUと比較して、単一のGPU上での元のシミュレーションと比較して、次のタイムステップを生成する際に、2桁以上のスピードアップを達成すると同時に、異なる実行時の物理磁気圏応答を密に一致させる。 これらの結果は、機械学習が予測不確実性を提供しながら、リアルタイム使用に適したハイブリッド・ブラソフシミュレーションを実現する方法であることを示している。

関連論文リスト

• Machine Learning-Integrated Hybrid Fluid-Kinetic Framework for Quantum Electrodynamic Laser Plasma Simulations [0.0]
  本研究は,機械学習に基づく3次元ハイブリッド流体-粒子・イン・セル(PIC)システムについて紹介する。 この技術は安定領域に流体近似を用いるが、SwitchNetが不安定区間に誘導するとPICソルバを起動する。 このモデルは、決定係数(R2)が0.95以上の精度で予測し、すべてのフィールド成分に対して平均2乗誤差が10-4以下の精度で予測する。
  論文  参考訳（メタデータ） (2025-10-13T09:07:59Z)
• Score-based generative emulation of impact-relevant Earth system model outputs [2.2940141855172036]
  ポリシーターゲットは、結合モデル相互比較プロジェクトサイクルよりも早く進化します。 深部生成モデルでは,影響に関連する変数の分布を共同でモデル化できる可能性が示唆された。 本研究は,先進国と強制政権の3つの異なるESMのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2025-10-05T20:54:19Z)
• Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
  生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
  論文  参考訳（メタデータ） (2025-09-30T14:02:00Z)
• Particle-based plasma simulation using a graph neural network [0.0]
  このモデルは2桁の精度で従来のシミュレーションよりも長い時間ステップで精度を向上する。 この研究は、複雑なプラズマ力学を学習できることを示し、高速な微分可能シミュレータの開発を約束することを示している。
  論文  参考訳（メタデータ） (2025-03-01T01:07:37Z)
• Cosmological Parameter Estimation with Sequential Linear Simulation-based Inference [0.0]
  本研究では,確率をパラメータのガウス線型関数で近似するシミュレーションベース推論の枠組みを開発する。 我々は,最新のニューラルネットワーク密度推定法と競合する$mathcalO(104)$シミュレーションの4、5ラウンド後に収束が達成された。
  論文  参考訳（メタデータ） (2025-01-07T16:34:47Z)
• 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)
• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)

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。