論文の概要: Learning Neural Operator Surrogates for the Black Hole Accretion Code

• arxiv url: http://arxiv.org/abs/2604.25985v1
• Date: Tue, 28 Apr 2026 17:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.124173
• Title: Learning Neural Operator Surrogates for the Black Hole Accretion Code
• Title（参考訳）: ブラックホール降着符号のためのニューラル演算子サロゲートの学習
• Authors: Matthias Nägele, Cedric Bös, Chester Tan, Christian M. Fromm, Ingo Scholtes, Karl Mannheim,
• Abstract要約: 一般相対論的磁気流体力学(GR-MHD)シミュレーションは、ブラックホールの降着、相対論的ジェット、磁気リコネクションの研究に不可欠である。 ブラックホール降着符号(textttBHAC)により生成された2つの天体物理学的なシミュレーションシナリオに対するニューラル演算子代理について検討する。
• 参考スコア（独自算出の注目度）: 3.9150692433919008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-relativistic magnetohydrodynamic (GR-MHD) simulations are essential for studying black hole accretion, relativistic jets, and magnetic reconnection, yet their computational cost severely limits systematic parameter exploration. We investigate neural operator surrogates for two astrophysically relevant simulation scenarios produced by the Black Hole Accretion Code (\texttt{BHAC}). First, a Physics Informed Fourier Neural Operator (PINO) is trained on the special-relativistic resistive MHD (SRRMHD) evolution of the Orszag-Tang vortex over a range of resistivities spanning the Sweet-Parker and fast reconnection regimes. By embedding the governing equations as an additional loss term evaluated at finer temporal resolution than the available data supervision, the model learns dynamics at time steps where no simulation data is provided, enabling recovery of plasmoid formation that a data-only baseline trained on the same sparse snapshots fails to reproduce. To our knowledge, the present work is the first application of a physics informed neural operator to special relativistic resistive MHD, and the first to investigate the capability of such models to resolve plasmoid formation in SRRMHD. In a second line of investigation, an OFormer-style Transformer Neural Operator is trained on the evolution of spine-sheath relativistic jets created with \texttt{BHAC}, in special-relativistic MHD (SRMHD). The model is directly applied on the adaptive mesh, highlighting the need for linear attention due to long sequences. The neural surrogate model is capable of capturing most of the major details, especially in early predictions. To our knowledge, this constitutes the first application of a neural operator directly on a high resolution adaptive mesh refinement grid in the context of MHD simulations.
• Abstract（参考訳）: 一般相対論的磁気流体力学(GR-MHD)シミュレーションは、ブラックホールの降着、相対論的ジェット、磁気リコネクションの研究に不可欠であるが、計算コストは体系的なパラメータ探索を著しく制限している。 我々は,ブラックホール降着符号(\texttt{BHAC})が生成する2つの天体物理学的なシミュレーションシナリオについて,ニューラル演算子サロゲートについて検討した。 第一に、物理インフォームドフーリエニューラルオペレータ(PINO)は、Sweet-Parker とfast reconnection regime にまたがる様々な抵抗性に対して、Orszag-Tang 渦の特殊相対論的抵抗MHD(SRRMHD)進化を訓練する。 制御方程式を、利用可能なデータ監視よりも微細な時間分解度で評価された損失項として埋め込むことにより、シミュレーションデータが提供されていない時間ステップでダイナミクスを学習し、同じスパーススナップショットでトレーニングされたデータ専用ベースラインが再生できないプラスミド形成の回復を可能にする。 我々の知る限り、本研究は特殊相対論的抵抗性MHDへの物理情報ニューラル演算子の最初の応用であり、SRRMHDにおけるプラスミド生成を解くためのそのようなモデルの能力について調査した最初のものである。 2つ目の調査では、特殊相対論的MHD(SRMHD)において、OFormer型トランスフォーマーニューラルオペレーターが \texttt{BHAC} で生成されたスピンシース相対論的ジェットの進化について訓練されている。 このモデルは適応メッシュに直接適用され、長いシーケンスによる線形注意の必要性を強調している。 ニューラルサロゲートモデルは、特に初期の予測において、主要な詳細の多くを捉えることができる。 我々の知る限り、これはMHDシミュレーションの文脈において、高分解能適応メッシュリファインメントグリッド上でのニューラル演算子の最初の応用である。

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• 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)
• Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
  本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。 PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
  論文  参考訳（メタデータ） (2025-11-17T09:37:04Z)
• Pseudo-Physics-Informed Neural Operators: Enhancing Operator Learning from Limited Data [17.835190275166408]
  PPI-NO(Pseudo Physics-Informed Neural Operator)フレームワークを提案する。 PPI-NOは、基本微分作用素から導かれる偏微分方程式(PDE)を用いて、対象系に対する代理物理系を構築する。 このフレームワークは,データ共有シナリオにおける標準演算子学習モデルの精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-02-04T19:50:06Z)
• Neural Operators Learn the Local Physics of Magnetohydrodynamics [6.618373975988337]
  磁気流体力学(MHD)は、プラズマと導電性流体の力学を記述する上で重要な役割を果たしている。 最近の進歩は、従来の数値解析のための代理モデルとしてフーリエニューラル演算子(FNO)のようなニューラル演算子を導入している。 本研究では, 理想的なMHDの数値フラックスを近似するために, 修正されたフラックスフーリエニューラル演算子モデルについて検討する。
  論文  参考訳（メタデータ） (2024-04-24T17:48:38Z)
• Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations [0.0]
  本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。 我々は,演算子推論(OpInf)に着目し,そのようなシミュレーションデータから低コストな物理ベースのROMを構築する。
  論文  参考訳（メタデータ） (2024-01-11T15:20:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)

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。