論文の概要: Machine learning moment closure models for the radiative transfer equation IV: enforcing symmetrizable hyperbolicity in two dimensions

• arxiv url: http://arxiv.org/abs/2604.20143v1
• Date: Wed, 22 Apr 2026 03:12:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.945749
• Title: Machine learning moment closure models for the radiative transfer equation IV: enforcing symmetrizable hyperbolicity in two dimensions
• Title（参考訳）: 放射移動方程式の機械学習モーメント閉包モデルIV:2次元における共生可能な双曲性の強制
• Authors: Juntao Huang,
• Abstract要約: これは放射移動方程式(RTE)に対する機械学習(ML)モーメントクロージャモデルに関する4番目の研究である。 このシリーズの最初の3つの論文で、1D1Vのスラブ幾何学におけるRTEを検討した。 我々は、我々のフレームワークを2D2VでRTEに拡張する(すなわち、物理空間の2次元と角空間の2次元)。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This is our fourth work in the series on machine learning (ML) moment closure models for the radiative transfer equation (RTE). In the first three papers of this series, we considered the RTE in slab geometry in 1D1V (i.e. one dimension in physical space and one dimension in angular space), and introduced a gradient-based ML moment closure [1], then enforced the hyperbolicity through a symmetrizer [2], or together with physical characteristic speeds by learning the eigenvalues of the Jacobian matrix [3]. Here, we extend our framework to the RTE in 2D2V (i.e. two dimensions in physical space and two dimensions in angular space). The main idea is to preserve the leading part of the classical $P_N$ model and modify only the highest-order block row. By analyzing the structural properties of the $P_N$ model, we show that its coefficient matrices are symmetric and admit a block-tridiagonal structure. Then we use this property to introduce a block-diagonal symmetrizer for the ML moment model and derive explicit algebraic conditions on the closure blocks which guarantee the symmetrizable hyperbolicity of the resulting ML system. These conditions lead to a natural parametrization of the closure in terms of a symmetric positive definite matrix together with symmetric closure blocks, which can be learned from data while automatically enforcing symmetrizable hyperbolicity by construction. The numerical results show that the proposed framework improves upon the classical $P_N$ model while maintaining hyperbolicity.
• Abstract（参考訳）: これは、放射移動方程式(RTE)の機械学習(ML)モーメントクロージャモデルに関するシリーズにおける4番目の研究である。 この級数の最初の3つの論文では、1D1V におけるスラブ幾何学のRTE(物理空間の1次元と角空間の1次元)を考察し、勾配に基づくMLモーメント閉包 [1] を導入し、シンメトリエーザ [2] を通じて双曲性を適用した。 ここでは、我々のフレームワークを 2D2V で RTE に拡張する(すなわち、物理空間の2次元と角空間の2次元)。 主なアイデアは、古典的な$P_N$モデルの先頭の部分を保存し、上位のブロック行だけを変更することである。 The structure properties of the $P_N$ model, we showed that coefficient matrices are symmetric and admit a block-tridiagonal structure。 次に、この特性を用いて、MLモーメントモデルのためのブロック対角対称化器を導入し、結果のMLシステムの共生可能な双曲性を保証するクロージャブロック上の明示的な代数的条件を導出する。 これらの条件は対称正定行列と対称閉包ブロックによる閉包の自然なパラメトリゼーションを導いており、これはデータから学べるが、合成可能な双曲性は構築によって自動的に強制される。 提案手法は,双曲性を維持しつつ,古典的な$P_N$モデルにより改善されている。

関連論文リスト

• Entanglement Sum Rule from Higher-Form Symmetries [0.0]
  有限アーベル高次対称性を持つ$(d-1)$次元量子格子モデルの絡み合い和則を証明する。 このフレームワークはフェルミオン-$mathbbZ$ゲージ理論の既知の例を説明し、一般化する。
  論文  参考訳（メタデータ） (2025-10-20T09:03:12Z)
• Explicit Discovery of Nonlinear Symmetries from Dynamic Data [50.20526548924647]
  LieNLSDは非線形項の無限小生成器の数とその明示的な表現を決定する最初の方法である。 LieNLSDは既存の手法に比べて質的な利点を示し、ニューラルPDEソルバの長期ロールアウト精度を20%以上改善する。
  論文  参考訳（メタデータ） (2025-10-02T09:54:08Z)
• Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
  驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。 以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。 我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。 この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
  論文  参考訳（メタデータ） (2025-06-28T01:46:36Z)
• Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling [50.994194925685434]
  LrcSSMは$textitnon-linear$リカレントモデルで、現在の線形状態空間層と同じくらい高速に長いシーケンスを処理する。 ヤコビ行列を対角線に強制することにより、全列を並列に解くことができる。 LrcSSMは、Liquid-S4のような他の入力変化系が提供しないことを保証する形式的な勾配安定性を提供する。
  論文  参考訳（メタデータ） (2025-05-27T20:02:59Z)
• Systematic construction of stabilizer codes via gauging abelian boundary symmetries [0.0]
  そこで本研究では,(d+1)次元安定化モデルを構築するための体系的枠組みを提案する。 我々のアプローチは、J. Garre-Rubio, Nature Commun. 15 7986 (2024)の著者のひとりによって開発された反復的なガーグ法に基づいている。
  論文  参考訳（メタデータ） (2024-10-11T17:57:40Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Oracle-Preserving Latent Flows [58.720142291102135]
  我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。 対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。 この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
  論文  参考訳（メタデータ） (2023-02-02T00:13:32Z)
• Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
  ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。 完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。 また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
  論文  参考訳（メタデータ） (2023-01-13T16:25:25Z)
• Machine learning moment closure models for the radiative transfer equation III: enforcing hyperbolicity and physical characteristic speeds [0.0]
  放射移動方程式(RTE)のための機械学習(ML)モーメントクロージャモデルの開発 閉包システムの係数行列がより低いヘッセンベルグ行列であるという観測により,その固有値と関連するニューラルネットワークの根の関係を考察した。
  論文  参考訳（メタデータ） (2021-09-02T04:16:56Z)

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。