論文の概要: Convolution Operator Network for Forward and Inverse Problems (FI-Conv): Application to Plasma Turbulence Simulations
- arxiv url: http://arxiv.org/abs/2602.04287v1
- Date: Wed, 04 Feb 2026 07:33:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.421233
- Title: Convolution Operator Network for Forward and Inverse Problems (FI-Conv): Application to Plasma Turbulence Simulations
- Title（参考訳）: 前・逆問題に対する畳み込み演算子ネットワーク(FI-Conv):プラズマ乱流シミュレーションへの応用
- Authors: Xingzhuo Chen, Anthony Poole, Ionut-Gabriel Farcas, David R. Hatch, Ulisses Braga-Neto,
- Abstract要約: 複雑な時間的力学において,システムの進化を予測し,パラメータを推定できるフレームワークを提案する。
FI-ConvはU-Netアーキテクチャ上に構築されており、ほとんどの畳み込み層はConvXt V2ブロックに置き換えられている。
長谷川-若谷方程式による乱流プラズマ場予測におけるFI-Convの性能評価を行った。
- 参考スコア（独自算出の注目度）: 0.685068326729525
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose the Convolutional Operator Network for Forward and Inverse Problems (FI-Conv), a framework capable of predicting system evolution and estimating parameters in complex spatio-temporal dynamics, such as turbulence. FI-Conv is built on a U-Net architecture, in which most convolutional layers are replaced by ConvNeXt V2 blocks. This design preserves U-Net performance on inputs with high-frequency variations while maintaining low computational complexity. FI-Conv uses an initial state, PDE parameters, and evolution time as input to predict the system future state. As a representative example of a system exhibiting complex dynamics, we evaluate the performance of FI-Conv on the task of predicting turbulent plasma fields governed by the Hasegawa-Wakatani (HW) equations. The HW system models two-dimensional electrostatic drift-wave turbulence and exhibits strongly nonlinear behavior, making accurate approximation and long-term prediction particularly challenging. Using an autoregressive forecasting procedure, FI-Conv achieves accurate forward prediction of the plasma state evolution over short times (t ~ 3) and captures the statistic properties of derived physical quantities of interest over longer times (t ~ 100). Moreover, we develop a gradient-descent-based inverse estimation method that accurately infers PDE parameters from plasma state evolution data, without modifying the trained model weights. Collectively, our results demonstrate that FI-Conv can be an effective alternative to existing physics-informed machine learning methods for systems with complex spatio-temporal dynamics.
- Abstract（参考訳）: 本研究では, 乱流などの複雑な時空間力学において, システムの進化を予測し, パラメータを推定できるフレームワークである畳み込み演算子ネットワーク(FI-Conv)を提案する。
FI-ConvはU-Netアーキテクチャ上に構築されており、ほとんどの畳み込み層はConvNeXt V2ブロックに置き換えられている。
この設計は、低計算複雑性を維持しながら、高周波数変動の入力上でのU-Net性能を保っている。
FI-Convは初期状態、PDEパラメータ、進化時間を使ってシステムの将来の状態を予測します。
複雑な力学を示すシステムの代表的な例として, 長谷川-若谷(HW)方程式による乱流プラズマ場予測におけるFI-Convの性能評価を行った。
HWシステムは二次元静電ドリフト波乱流をモデル化し、強い非線形挙動を示し、正確な近似と長期予測を特に困難にしている。
自己回帰予測法を用いて、FI-Conv は短時間 (t ~3) でプラズマ状態の進化を正確に予測し、より長い時間 (t ~ 100) で引き起こされた物理量の統計的性質を捉える。
さらに,プラズマ状態の進化データからPDEパラメータを正確に推定する勾配差に基づく逆推定法を開発した。
その結果,FI-Convは複雑な時空間力学を持つシステムにおいて,物理情報を用いた機械学習手法の代替として有効であることが示された。
関連論文リスト
- Flow marching for a generative PDE foundation model [0.0]
本稿では,物理力学系における誤り蓄積の解析によって動機付けられたフローマッチングを用いて,ニューラル演算子の学習をブリッジするアルゴリズムであるフローマーチングを提案する。
また,物理制約付き変分オートエンコーダ(P2E)を導入し,物理軌道をコンパクトな潜在空間に埋め込む。
異なる12種類のPDEファミリーおよびP2EとFMTのトレインスイートの2.5Mトラジェクトリを複数スケールでキュレートする。
論文 参考訳（メタデータ） (2025-09-23T04:00:41Z) - A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
対流に対する物理インフォームRBCサロゲートモデルを提案する。
我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。
このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
論文 参考訳（メタデータ） (2025-05-16T06:47:00Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Convolutional State Space Models for Long-Range Spatiotemporal Modeling [65.0993000439043]
ConvS5は、長距離時間モデリングのための効率的な変種である。
トランスフォーマーとConvNISTTMは、長い水平移動実験において、ConvLSTMより3倍速く、トランスフォーマーより400倍速くサンプルを生成する一方で、大幅に性能が向上した。
論文 参考訳（メタデータ） (2023-10-30T16:11:06Z) - IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers [20.784780497613557]
状態進化をIPPによって直接近似できる連続プロセスを用いて、時系列を純粋にモデル化することを提案する。
これにより、リカレント計算が不要になり、複数の状態が並列に進化することが可能になる。
実世界の3つのデータセットの実験から,提案手法は先進国を体系的に上回り,最先端の結果が得られ,データ効率の面で大きな優位性を持つことが示された。
論文 参考訳（メタデータ） (2023-05-11T11:53:31Z) - Deep Convolutional Architectures for Extrapolative Forecast in
Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。
これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。
ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文 参考訳（メタデータ） (2022-09-18T03:45:56Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。