論文の概要: An adaptive framework for the axisymmetric pulsar magnetosphere using physics-informed Kolmogorov-Arnold networks
- arxiv url: http://arxiv.org/abs/2606.10686v2
- Date: Thu, 18 Jun 2026 15:50:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 16:09:18.977519
- Title: An adaptive framework for the axisymmetric pulsar magnetosphere using physics-informed Kolmogorov-Arnold networks
- Title（参考訳）: 物理インフォームドコルモゴロフ・アルノルドネットワークを用いた軸対称パルサー磁気圏の適応的枠組み
- Authors: Spyros Rigas, Ioannis Contopoulos, Georgios Alexandridis, Antonios Nathanail,
- Abstract要約: パルサー磁気圏は、最近になって物理インフォームドニューラルネットワーク(PINN)によって対処されたばかりである。
我々は、Kolmogorov-Arnoldネットワークに基づくドメイン固有のニューラルネットワーク、自動適応トレーニングパイプライン、物理に基づく収束基準を導入する。
提案手法は,O(1e-6)におけるPDE残差の平均2乗誤差を2倍精度で有する自己整合軸対称磁気圏解を提供する。
- 参考スコア（独自算出の注目度）: 4.725935825821886
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The pulsar magnetosphere has only recently been addressed using Physics-Informed Neural Networks (PINNs), by deploying a domain-decomposition approach and treating the separatrix and equatorial current sheet as infinitesimally thin discontinuities. However, this baseline requires extensive manual hyperparameter tuning, achieves limited final accuracy and demands several hours of training. We refine this framework by introducing domain-specific neural architectures based on Kolmogorov-Arnold networks, an automated adaptive training pipeline and a physics-based convergence criterion that eliminate the need for manual calibration. The proposed methodology delivers self-consistent axisymmetric magnetosphere solutions with mean squared errors of the PDE residuals at O(1e-6) in double precision - an improvement of two orders of magnitude over the baseline - while achieving convergence in under 20 minutes in single precision. Importantly, the method reliably resolves stellar radii reduced by up to 80% compared to the baseline, overcoming the severe spatial scale disparities that also challenge traditional solvers. Furthermore, by varying the flux that opens to infinity, we provide a correction to the equation that connects it to the equatorial T-point's position. The complete framework is released as the open-source library PulsarX.
- Abstract（参考訳）: パルサー磁気圏は、領域分割アプローチを展開し、セパラトリクスと赤道電流シートを無限小の細い不連続として扱うことにより、最近まで物理情報ニューラルネットワーク(PINN)を用いて対処されてきた。
しかし、このベースラインは広範囲な手動ハイパーパラメータチューニングを必要とし、最終的な精度が制限され、数時間のトレーニングを必要とする。
我々は、Kolmogorov-Arnoldネットワークに基づくドメイン固有のニューラルネットワーク、自動適応トレーニングパイプライン、手動キャリブレーションの不要な物理ベースの収束基準を導入することにより、このフレームワークを洗練する。
提案手法は, O(1e-6)におけるPDE残差の平均2乗誤差を2倍精度で達成し, 収束を20分以内で達成する。
重要なことは、この方法では、基準線に比べて恒星半径が最大80%減少し、従来の解法に挑戦する深刻な空間スケールの格差を克服する。
さらに、無限大に開くフラックスを変化させることで、方程式を補正し、それを赤道的T点の位置に接続する。
完全なフレームワークはオープンソースライブラリであるPulsarXとしてリリースされている。
関連論文リスト
- Hybrid Iterative Neural Low-Regularity Integrator for Nonlinear Dispersive Equations [0.0]
HIN-LRIは、古典的な数値解法をニューラルネットワークで拡張し、解法の構造化トランケーション誤差を補正するハイブリッドフレームワークである。
低次元の潜在多様体上で動作する軽量ニューラルネットワークは、分析手法が閉じられない残留欠陥を学習する。
実験により、HIN-LRIは解析的、分割的手法、神経的PDEサロゲートよりも精度を向上し、安定した空間的精細化、効果的なアウト・オブ・ディストリビューション転送、オンラインオーバーヘッドを緩和することが示された。
論文 参考訳（メタデータ） (2026-05-06T12:50:36Z) - A Green-Integral-Constrained Neural Solver with Stochastic Physics-Informed Regularization [3.491999371287298]
音響ヘルムホルツ方程式に対するグリーン・インテグラル(GI)ニューラルソルバを提案する。
これは、積分表現を通じて波動物理学を強制することによって、PDE-残留性に基づく定式化から逸脱する。
GIベースのトレーニングはPDEベースのPINNを一貫して上回り、計算コストを10倍以上削減することを示した。
論文 参考訳（メタデータ） (2026-04-23T08:24:10Z) - Physics-integrated neural differentiable modeling for immersed boundary systems [33.49956187870957]
本研究では,入力境界流の予測のための物理積分微分可能なフレームワークを開発することにより,既存のニューラルPDE解法を拡張した。
フレームワークの重要な設計側面は、物理的原則をエンドツーエンドの差別化可能なアーキテクチャに構造的に統合することである。
提案手法は, 流動場忠実度および長水平安定性において, 純粋にデータ駆動, 物理ロスの制約, 粗いグリッドの数値ベースラインより一貫して優れる。
論文 参考訳（メタデータ） (2026-03-17T09:08:04Z) - K-Means as a Radial Basis function Network: a Variational and Gradient-based Equivalence [41.99844472131922]
この研究は、古典的なK平均アルゴリズムと微分可能な基底放射関数ニューラルネットワークとの間の厳密な変動と勾配に基づく等価性を確立する。
RBFの目標である$$-convergesがK-Means解に温度パラメータ$$$が消滅することを示す。
また、基礎となるボロノイ分割構造を保ちながら安定収束を保証するEnt-max-1.5の統合も提案する。
論文 参考訳（メタデータ） (2026-03-04T21:41:50Z) - Adaptive-Growth Randomized Neural Networks for Level-Set Computation of Multivalued Nonlinear First-Order PDEs with Hyperbolic Characteristics [38.23142730599331]
本稿では,双曲特性を持つ非線形一階PDEの多値解を計算するための適応成長ランダム化ニューラルネットワーク(AG-RaNN)を提案する。
このような解は幾何学光学、地震波、量子力学の半古典的極限、線形波の高周波極限に現れる。
論文 参考訳（メタデータ） (2026-03-01T13:16:25Z) - PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。
静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。
高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
論文 参考訳（メタデータ） (2026-01-19T07:57:52Z) - Data-Driven Adaptive Gradient Recovery for Unstructured Finite Volume Computations [0.0]
双曲的保存則に対する非構造有限体積法における勾配再構成の強化のための新しいデータ駆動手法を提案する。
提案手法は,DeepONetアーキテクチャを改良して,従来の構造化グリッド手法を非構造化メッシュに拡張する。
提案アルゴリズムは従来の2階有限体積解法よりも高速かつ高精度である。
論文 参考訳（メタデータ） (2025-07-22T13:23:57Z) - Precise Bayesian Neural Networks [0.0]
我々は,現代的な正規化アーキテクチャに適合し,精度を犠牲にすることなくキャリブレーションを改善する軽量で実装可能な変分ユニットを開発した。
簡単に言えば、変分後部をネットワーク固有の幾何学と整合させることで、BNNは同時に原理化され、実用的で、正確である。
論文 参考訳（メタデータ） (2025-06-24T15:42:00Z) - LaPON: A Lagrange's-mean-value-theorem-inspired operator network for solving PDEs and its application on NSE [8.014720523981385]
ラグランジュの平均値定理に着想を得た演算子ネットワークであるLaPONを提案する。
損失関数ではなく、ニューラルネットワークアーキテクチャに直接、事前の知識を組み込む。
LaPONは、高忠実度流体力学シミュレーションのためのスケーラブルで信頼性の高いソリューションを提供する。
論文 参考訳（メタデータ） (2025-05-18T10:45:17Z) - A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。
これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。
本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z)
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。