論文の概要: Physics-Informed Neural Networks for Complex Eigenfrequency Identification and Mode Structure Reconstruction of the Ground-State ITG Branch

• arxiv url: http://arxiv.org/abs/2608.01850v1
• Date: Mon, 03 Aug 2026 07:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.391229
• Title: Physics-Informed Neural Networks for Complex Eigenfrequency Identification and Mode Structure Reconstruction of the Ground-State ITG Branch
• Title（参考訳）: 物理インフォームドニューラルネットワークによる地上ITG分岐の複素固有周波数同定とモード構造再構築
• Abstract要約: 高密度モードトカマクの急勾配台座は、プラズマ閉じ込めとエッジ輸送と密接に関連している。 本稿では,フーリエ特徴符号化,複素数値特徴伝搬,三段階学習を組み合わせた物理インフォームド・ニューラル・フレームワークを提案する。 実験により, 対象とする複素固有周波数および2次元複素数値モード場を精度良く復元することを示した。
• 参考スコア（独自算出の注目度）: 14.172944546566677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) combine sparse observations with physical equations, providing an important approach for modeling complex plasma processes and inferring unknown physical quantities. The steep-gradient pedestal of high-confinement-mode tokamaks is closely linked to plasma confinement and edge transport. Analyzing ion-temperature-gradient (ITG) drift waves in this region requires jointly identifying complex eigenfrequencies and reconstructing two-dimensional complex-valued mode fields. Localized high-frequency oscillations, strong real-imaginary coupling, and nonlinear coupling between the mode field and eigenfrequency challenge PINN representation and joint optimization. To address these challenges, we propose a physics-informed neural framework combining Fourier feature encoding, complex-valued feature propagation, and three-stage training. Under sparse observations and physical constraints, it jointly solves for the complex eigenfrequency and mode field of a representative ground-state ITG branch. Experiments show that the framework accurately recovers the target complex eigenfrequency and two-dimensional complex-valued mode field and outperforms representative PINN baselines. It also provides a basis for analyzing higher-order and multiple-branch drift-wave modes.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)はスパース観測を物理方程式と組み合わせ、複雑なプラズマプロセスのモデリングや未知の物理量の推定に重要なアプローチを提供する。 高密度モードトカマクの急勾配台座はプラズマ閉じ込めとエッジ輸送と密接に関連している。 この領域におけるイオン温度勾配ドリフト波の解析には、複雑な固有周波数を共同で同定し、2次元複素数値モード場を再構成する必要がある。 モード場と固有周波チャレンジPINN表現とジョイント最適化との間の局所的な高周波発振、強い実像結合、非線形結合。 これらの課題に対処するために、フーリエ特徴符号化、複素数値特徴伝搬、三段階学習を組み合わせた物理インフォームド・ニューラル・フレームワークを提案する。 スパース観測と物理的制約の下では、代表的基底状態ITGブランチの複雑な固有周波数およびモードフィールドを共同で解決する。 実験により, 対象とする複素固有周波数および2次元複素数値モード場を正確に復元し, 代表的PINNベースラインを上回る性能を示す。 また、高次および多重分岐ドリフト波モードを解析するための基盤を提供する。

関連論文リスト

• Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
  ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。 メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。 これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
  論文  参考訳（メタデータ） (2026-09-08T01:21:46Z)
• LaST-SR: Laplace-Inspired Steady-Transient Complex-Frequency Decomposition for Single Image Super-Resolution [3.8567575575818736]
  単一像超解像(SISR)は、構造的に一貫した再構成のためにグローバルなコンテキストモデリングを必要とする。 複素周波数分解モジュールを中心としたLaST-SRを提案する。 5つのベンチマーク実験から、LaST-SRは$times2$と$times4$ SISRの比較手法の中で最高のPSNR/SSIMを達成していることが示された。
  論文  参考訳（メタデータ） (2026-09-02T03:43:43Z)
• Frequency Selective Neural Networks as a Foundation Architecture for Time Series Learning [10.247004661473225]
  本稿では,周波数選択ニューラルネットワーク(FSNN)を導入し,物理的解釈性を保証する基盤アーキテクチャを開拓した。 FSNNは、高度信号処理の厳密な数学を神経トポロジーに明示的に埋め込むことでスペクトル絡みに対処する。 FSNNは最先端の予測性能を確立し、平均精度は7.0%である。
  論文  参考訳（メタデータ） (2026-08-29T02:51:29Z)
• Accurate, full-dimensional computations of thousands of complex vibrational eigenstates with tree tensor network states [0.0]
  密度行列再正規化群(DMRG)と組み合わされたTTNSが振動・振動構造シミュレーションの強力なツールとして出現している。 本稿では,TTNS法が分子系に対する数千の固有状態の正確な実次元計算を実現する方法について論じる。
  論文  参考訳（メタデータ） (2026-05-01T18:03:22Z)
• PILIR: Physics-Informed Local Implicit Representation [10.009790673923789]
  物理インフォームドローカルインプリシト表現(PILIR)について紹介する。 我々のアプローチは、グローバルな物理領域を離散的な潜在特徴空間と連続生成デコーダに分離する。 生成型ニューラル演算子はこれらの局所潜伏特性を連続体に合成し、微細構造を正確に再構築する。
  論文  参考訳（メタデータ） (2026-05-01T04:07:39Z)
• Residual Attention Physics-Informed Neural Networks for Robust Multiphysics Simulation of Steady-State Electrothermal Energy Systems [4.636700312219189]
  本研究では, 連成速度, 圧力, 電位, 温度場の統一解のための残留注意物理情報ニューラルネットワーク(RA-PINN)フレームワークを提案する。 RA-PINNは, 定数係数結合, 間接圧力ゲージ制約, 温度依存性輸送, インターフェース整合性の4つの代表的なエネルギー関連ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-03-24T13:44:46Z)
• From Complex Dynamics to DynFormer: Rethinking Transformers for PDEs [6.873342825786888]
  トランスフォーマーベースのニューラルオペレータは、強力なデータ駆動型代替手段として登場した。 動的インフォームドニューラル演算子DynFormerを提案する。 我々はDynFormerが、最先端のベースラインと比較して95%の相対誤差を削減できることを示す。
  論文  参考訳（メタデータ） (2026-03-03T15:45:09Z)
• 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)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Equivariant Eikonal Neural Networks: Grid-Free, Scalable Travel-Time Prediction on Homogeneous Spaces [42.33765011920294]
  等価ニューラルネットワーク(ENF)とニューラルアイコンの解法を統合する新しいフレームワークを提案する。 我々のアプローチでは、信号固有の潜伏変数に統一された共有バックボーンが条件付けられた単一のニューラルネットワークを用いる。 2次元, 3次元, 球面ベンチマークデータセットの地震波走行時間モデリングへの応用を通して, 本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2025-05-21T21:29:18Z)
• NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements [7.704598780320887]
  本研究では、PINNと高忠実度スペクトル要素法(SEM)を融合したハイブリッドフレームワークであるNeuroSEMを紹介した。 NeuroSEMはPINNとSEMの両方の強度を活用し、多物理問題に対する堅牢な解決策を提供する。 キャビティフローおよびシリンダーを過ぎる流れにおける熱対流に対するNeuroSEMの有効性と精度を実証した。
  論文  参考訳（メタデータ） (2024-07-30T22:01:14Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)

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。