Fugu-MT 論文翻訳(概要): Neural solutions of coupled ghost and gluon Dyson--Schwinger equations in Landau gauge

論文の概要: Neural solutions of coupled ghost and gluon Dyson--Schwinger equations in Landau gauge

arxiv url: http://arxiv.org/abs/2607.21548v1
Date: Thu, 23 Jul 2026 17:35:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-24 18:26:25.501993
Title: Neural solutions of coupled ghost and gluon Dyson--Schwinger equations in Landau gauge
Title（参考訳）: ゴーストとグルーオンダイソンの結合のニューラル解-ランダウゲージにおけるシュウィンガー方程式
Abstract要約: ランダウ・ガゲ・ヤン・ミルズ(YM)理論の結合ゴーストとグルーオン・ダイソン-シュウィンガー方程式(DSE)は、正規化方程式残差からのみ訓練された神経表現を用いて解決される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The coupled ghost and gluon Dyson--Schwinger equations (DSEs) of four-dimensional Landau-gauge Yang--Mills (YM) theory are solved with a neural representation trained only from renormalized equation residuals. The neural and fixed-point solutions agree at the percent level and remain stable under changes of initialization, network size, integration grid, and infrared boundary condition. Variations of the three-gluon vertex model produce substantially larger effects than the neural error. The MiniMOM ultraviolet running and the sign change of the gluon Schwinger function are also reproduced within the limitations of the truncation.
Abstract（参考訳）: ランダウ・ガゲ・ヤン・ミルズ(YM)理論の結合ゴーストとグルーオン・ダイソン-シュウィンガー方程式(DSE)は、正規化方程式残差からのみ訓練された神経表現を用いて解決される。ニューラルネットワークと固定点ソリューションはパーセントレベルで一致し、初期化、ネットワークサイズ、統合グリッド、赤外線境界条件の変化の下で安定している。 3-グルーオン頂点モデルの変動は、ニューラルエラーよりもかなり大きな効果をもたらす。 MiniMOM紫外線の動作とグルーオン・シュウィンガー関数の符号変化も、トランケーションの限界内で再現される。

関連論文リスト

Perturbative-NeuSA: A Structured Spectral Framework for Time-Dependent PDEs [0.0]
低忠実度背景と高分解能摂動にターゲット溶液を分解する残留定式化であるPerturbative-NeuSAを導入する。 2次元バーガーズ、クライン=ゴルドン、および不均一な2次元波動方程式全体において、決定論的構造解法は訓練されたNeuSAベースラインよりも優れる。
論文参考訳（メタデータ） (2026-07-27T12:25:32Z)
WLNO: Wavelet-Laplace Neural Operator for Solving Partial Differential Equations [0.6008132390640294]
ウェーブレット・ラプラス・ニューラル・オペレーターは、ラプラス・ニューラル・オペレーター(LNO)の極残差定式化によるハール・ウェーブレットのマルチスケール空間分解を融合する LNOは学習可能な系極と残留物を通して過渡的および定常的ダイナミクスを捉えるが、複雑なPDE解に固有の局所的な多スケール特徴を抽出する明確なメカニズムは欠いている。 WLNOはLNOコアを平行な単一レベルHaar離散ウェーブレット変換(DWT)ブランチで拡張し、リフトされた特徴写像を4つの周波数サブバンドに分解することでこの問題に対処する。 WLNOは一貫してLNOを上回る
論文参考訳（メタデータ） (2026-05-23T16:58:37Z)
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)
DInf-Grid: A Neural Differential Equation Solver with Differentiable Feature Grids [73.28614344779076]
我々は、微分方程式(DE)を効率的に解くための微分可能グリッドベース表現を提案する。その結果,座標法よりも5～20倍の高速化を実現し,差分方程式を数秒または数分で解き,精度とコンパクト性を維持した。
論文参考訳（メタデータ） (2026-01-15T18:59:57Z)
Scale-Consistent Learning for Partial Differential Equations [79.48661503591943]
本稿では,PDEのスケール一貫性特性に基づくデータ拡張手法を提案する。次に、幅広いスケールをモデル化できるスケールインフォームド・ニューラル演算子を設計する。スケール一貫性によって、1000ドルの$Re$でトレーニングされたモデルは、250から10000までの$Re$に一般化することができる。
論文参考訳（メタデータ） (2025-07-24T21:29:52Z)
Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
2次元空間における準可積分方程式の渦型解の探索にPINNを適用した。これらの方程式は、惑星大気中の地栄養的な浅海力学のおもちゃモデルである。本稿では,保護法を施行したPINN,初期条件の変動,および識別精度向上のための摩擦型摂動手法を紹介する。
論文参考訳（メタデータ） (2024-10-23T08:29:13Z)
An efficient wavelet-based physics-informed neural networks for singularly perturbed problems [0.0]
物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network, PINN)は、物理学を微分方程式の形で利用し、複雑な問題に対処する深層学習モデルである。本稿では, ウェーブレットに基づくPINNモデルを用いて, 急激な振動, 急勾配, 特異な挙動を持つ微分方程式の解に挑戦する。提案手法は、従来のPINN、最近開発されたウェーブレットベースのPINN、その他の最先端の手法で大幅に改善される。
論文参考訳（メタデータ） (2024-09-18T10:01:37Z)
NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文参考訳（メタデータ） (2023-08-24T17:59:54Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
A variational neural network approach for glacier modelling with nonlinear rheology [1.4438155481047366]
まず、非ニュートン流モデルの解を境界制約付き変分積分の最小化器に定式化する。次に、損失関数が変分積分と混合境界条件からのソフト制約であるディープニューラルネットワークにより解を近似する。実世界のスケーリングにおける不安定性に対処するため,ネットワークの入力を第1層で再正規化し,各境界に対する正規化係数のバランスをとる。
論文参考訳（メタデータ） (2022-09-05T18:23:59Z)
LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
論文参考訳（メタデータ） (2022-06-19T14:41:08Z)
Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
論文参考訳（メタデータ） (2021-11-03T15:14:20Z)
Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。従来のPDEソルバに比べて最大3桁高速である。
論文参考訳（メタデータ） (2020-10-18T00:34:21Z)

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。