論文の概要: A Hyperbolic Neural Closure for M1 Radiation Transfer

• arxiv url: http://arxiv.org/abs/2607.10364v1
• Date: Sat, 11 Jul 2026 15:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.402519
• Title: A Hyperbolic Neural Closure for M1 Radiation Transfer
• Title（参考訳）: M1放射線伝達のための双曲型ニューラルクロージャ
• Abstract要約: 放射線伝達シミュレーションにおいて,M1法は全角輸送方程式を低次モーメント系に置き換えることで,計算量を大幅に削減する。 この還元系は閉じていないため、未知の高次モーメントを表現するために閉包モデルが必要である。 実固有値を保証するために,M1放射伝達系に対する双曲型ニューラルクロージャを提案する。
• 参考スコア（独自算出の注目度）: 9.065972458046089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In radiation transfer simulations, an M1 method achieves substantial computational savings by replacing the full angular transport equation with a low-order moment system. Because this reduced system is not closed, a closure model is required to represent the unknown higher-order moments using lower-order moments. While machine learning (ML)-based closures can improve accuracy beyond classical analytic closures, unconstrained learned closures may produce non-real characteristic speeds and consequently cause numerical solver breakdown. To guarantee real eigenvalues of the Jacobian associated with ML closures, we propose a hyperbolic neural closure for the M1 radiative transfer system. Rather than directly predicting closure terms, we parameterize the Jacobian through two neural networks: (i) a symmetric matrix network and (ii) a strictly convex entropy network whose Hessian defines a positive definite symmetrizer. These components are combined to yield a Jacobian that is similar to a symmetric matrix, thereby ensuring real eigenvalues. The closure is then reconstructed by numerical integration of the learned Jacobian field along a prescribed integration path. Numerical experiments show that the proposed closure not only achieves higher closure accuracy than classical analytic closures, but also improves solution accuracy and remains stable in discontinuous Galerkin simulations for radiative transfer problems.
• Abstract（参考訳）: 放射線伝達シミュレーションにおいて,M1法は全角輸送方程式を低次モーメント系に置き換えることで,計算量を大幅に削減する。 この還元系は閉じていないため、低次モーメントを用いて未知の高次モーメントを表現するためにクロージャモデルが必要である。 機械学習(ML)ベースのクロージャは古典的な解析的クロージャを超えて精度を向上させることができるが、制約のない学習クロージャは非現実的な特性速度を生み出し、結果として数値解法を分解する。 ML閉包に伴うヤコビアンの真の固有値を保証するため,M1放射伝達系に対する双曲神経閉包を提案する。 クロージャ項を直接予測するのではなく、2つのニューラルネットワークを通してジャコビアンをパラメータ化する。 (i)対称行列ネットワークと (ii) ヘッセンが正定値対称性因子を定義する厳密な凸エントロピーネットワーク。 これらの成分は対称行列に類似したヤコビアンを生成するために結合され、それによって真の固有値が保証される。 閉包は、所定の積分経路に沿って学習されたジャコビアン場の数値積分によって再構成される。 数値実験により, 提案した閉包は古典的解析的閉包よりも高い閉包精度を達成するだけでなく, 解の精度も向上し, 放射移動問題に対する不連続なガレルキンシミュレーションにおいても安定であることがわかった。

関連論文リスト

• Attractor Geometry Determines the Identifiability Limits of System Discovery [0.764671395172401]
  1つの数値、$_min(M)$はスパース回帰(SINDy)と進化回帰(PySR)の両方に対して識別可能性天井を設定する。 また、二進数や予測スコアに見えない性能差を解消する係数重み付き構造計量であるSoft F1を導入する。
  論文  参考訳（メタデータ） (2026-07-20T20:19:19Z)
• Coverage Analysis of Rydberg Atom Quantum Receiver Arrays: A Stochastic Geometry Approach [55.47164192369501]
  ライドバーグ原子量子受信機(RAQR)は、量子制限感度とブロードバンドチューナビリティを提供する。 密集した展開において、集合的干渉は原子トランスデューサを小さな信号状態から外すことができる。 本稿では、RAQRフロントエンドを幾何学的カバレッジ分析に埋め込むことで、この問題に対処する。
  論文  参考訳（メタデータ） (2026-05-22T04:05:13Z)
• Fast and Effective Computation of Generalized Symmetric Matrix Factorization [16.011610920688998]
  非滑らかで非Lipschitz一般化対称行列分解モデルを提案する。 このモデルは、機械学習、画像科学、工学、および関連する領域において、幅広い種類の行列分解の定式化を統一する。 実際のデータセットに関する数値実験は、ANAUMの効率を実証する。
  論文  参考訳（メタデータ） (2026-03-19T17:03:52Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• Zassenhaus Expansion in Solving the Schrödinger Equation [0.0]
  基本的な課題はユニタリ進化作用素 (e-imathcalHt ) の近似である。 我々は、E. K"okc"u et alによって導入された固定深度シミュレーションの枠組みを改良し、二階ザッセンハウス展開を取り入れた。 これにより、(mathcalO(t))のようにエラースケーリングを伴う制御された非単位近似が得られる。
  論文  参考訳（メタデータ） (2025-05-14T14:48:47Z)
• Precision measurement for open systems by non-hermitian linear response [9.087477434347218]
  まず、散逸パラメータに対する推定精度の低い境界について、いくつかの一般的な結果を得る。 この下界は、符号化散逸作用素と進化時間との相関関係に関係している。
  論文  参考訳（メタデータ） (2024-06-17T07:51:02Z)
• Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
  本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。 任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
  論文  参考訳（メタデータ） (2023-01-16T02:57:37Z)
• $O(N^2)$ Universal Antisymmetry in Fermionic Neural Networks [107.86545461433616]
  我々は、置換同変アーキテクチャを提案し、その上で行列式 Slater を適用して反対称性を誘導する。 FermiNetは、単一の行列式を持つ普遍近似能力があることが証明されている。 これは実装が容易であり、計算コストを$O(N2)$に下げることができる。
  論文  参考訳（メタデータ） (2022-05-26T07:44:54Z)
• 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)
• Machine learning moment closure models for the radiative transfer equation II: enforcing global hyperbolicity in gradient based closures [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を開発するシリーズにおける2番目の論文である。 本稿では,ML閉鎖モデルの大域的双曲性を強制する手法を提案する。 新しいML閉包系は、RTEの散逸性を継承し、クンスデン数が 0 になるにつれて正しい拡散限界を保っていることが示されている。
  論文  参考訳（メタデータ） (2021-05-30T02:10:59Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)

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。