論文の概要: Neural Operator based Multi-Field Reconstruction of Inner Solar Boundary State
- arxiv url: http://arxiv.org/abs/2608.22782v1
- Date: Mon, 24 Aug 2026 04:11:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.883748
- Title: Neural Operator based Multi-Field Reconstruction of Inner Solar Boundary State
- Title（参考訳）: ニューラル演算子を用いた太陽内部境界状態のマルチフィールド再構成
- Abstract要約: 本研究では,30太陽半径でのマルチフィールド多スケール太陽磁気流体状態の学習問題について検討する。
入力関数空間と出力関数空間のマッピングを学習するローカルニューラル演算子(LocalNO)を用いる。
結果の予測と入力は、将来の内部半球モデリングパイプラインのバウンダリ条件変数として機能することを意図している。
- 参考スコア（独自算出の注目度）: 1.2314765641075438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Solar wind is a continuous flow of charged particles emanating from the solar surface and governed by complex, interacting magnetohydrodynamic processes. Accurate specification of inner-boundary conditions is essential for heliospheric modeling and solar-wind prediction. In many practical applications, only a subset of interacting multi-field variables is directly available, but for a comprehensive view of solar wind prediction and downstream magnetohydrodynamic simulations, a more complete boundary state is required. In this work, we study the problem of learning the multi-field multi-scale solar magnetohydrodynamic state at 30 solar radii ($R_\odot$) using operator learning. Specifically, given the radial velocity and radial magnetic field, we aim to reconstruct the non-radial velocity and magnetic field components, radial and non-radial current density, thermodynamic density, and pressure components. This mapping is highly nonlinear, spatially coupled, and multi-scale, making it a challenging task for data-driven scientific machine learning. To address this problem, we employ a Local Neural Operator (LocalNO) that learns mappings between input and output function spaces while retaining locality and resolution-awareness. Unlike conventional regression models and autoencoder models, neural operators are better suited for learning structured field-to-field transformations arising from physical systems. The resulting predictions along with inputs are intended to serve as boundary condition variables for future inner-heliospheric modeling pipelines.
- Abstract（参考訳）: 太陽風は、太陽表面から放出される荷電粒子の連続的な流れであり、複雑な相互作用する磁気流体力学的過程によって支配される。
内部境界条件の正確な仕様は、ヘリオスフェリックモデリングと太陽風予測に不可欠である。
多くの応用において、相互作用するマルチフィールド変数のサブセットのみが直接利用可能であるが、太陽風の予測と下流の磁気流体力学シミュレーションを総合的に見るためには、より完全な境界状態が必要である。
本研究では、演算子学習を用いて、30太陽半径(R_\odot$)でのマルチフィールド多スケール太陽磁気流体状態の学習について検討する。
具体的には、放射速度と放射磁場を考慮して、非放射速度と磁場成分、放射電流密度、熱力学密度、圧力成分を再構成することを目的とする。
このマッピングは、非常に非線形で、空間的結合があり、マルチスケールであるため、データ駆動の科学機械学習では難しいタスクである。
そこで我々は,局所性と分解能を保ちながら,入力関数空間と出力関数空間のマッピングを学習するローカルニューラル演算子(LocalNO)を用いる。
従来の回帰モデルやオートエンコーダモデルとは異なり、ニューラルネットワークは物理的システムから生じるフィールド間変換を学習するのにより適している。
結果の予測と入力は、将来の内部半球モデリングパイプラインのバウンダリ条件変数として機能することを意図している。
関連論文リスト
- 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) - Toward Data-Driven Surrogates of the Solar Wind with Spherical Fourier Neural Operator [0.0]
球状フーリエニューラル演算子(SFNO)を用いた定常太陽風モデリング用サロゲートの開発
SFNOは、複数のメトリクスで同等またはより良いパフォーマンスを実現していることを示す。
フレキシブルでトレーニング可能なアプローチとして、SFNOは効率的なリアルタイム予測を可能にし、より多くのデータで改善することができる。
論文 参考訳（メタデータ） (2025-11-27T05:05:29Z) - Autoregressive Surrogate Modeling of the Solar Wind with Spherical Fourier Neural Operator [0.0]
太陽風放射速度を安定させるための,最初の自己回帰型機械学習サロゲートを提案する。
このモデルは、単一ステップアプローチと比較して、遠方の領域での精度を向上させる。
数値的なHUXサロゲートと比較すると、SFNOは優れた性能または同等のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-11-25T20:30:03Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - Few-Shot Learning by Explicit Physics Integration: An Application to Groundwater Heat Transport [41.94295877935867]
ローカルGlobal Convolutional Neural Network (LGCNN) アプローチが導入された。
モデルはまずランダムな入力場に基づいて系統的に解析される。
そして、このモデルは、ドイツのミュンヘン地域の現実世界の古典地図から、いくつかのカットアウトで訓練される。
論文 参考訳（メタデータ） (2025-07-08T15:06:15Z) - Interaction Field Matching: Overcoming Limitations of Electrostatic Models [85.87349969357068]
静電場整合(EFM)は、近年、電気コンデンサのアイデアを用いて、データ生成と転送のための物理に着想を得たパラダイムとして登場した。
我々は、静電気以外の一般的な相互作用場を利用できるEMFの一般化であるInteraction Field Matching (IFM)を提案する。
一連の玩具および画像データ転送問題に対して,その性能を示す。
論文 参考訳（メタデータ） (2025-06-03T14:45:14Z) - RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。
提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2025-04-22T06:28:13Z) - Surface Flux Transport Modeling using Physics Informed Neural Networks [0.0]
表面フラックス輸送(SFT)モデリングは、太陽表面の磁束の輸送と進化をシミュレートし、解析するのに役立つ。
本研究では,磁束輸送の解法における機械学習の応用を実証し,その精度を検証した。
SFTを用いたバイポーラ磁気領域(BMR)の進化を研究するための新しい物理情報ニューラルネットワーク(PINN)モデルを開発した。
論文 参考訳（メタデータ） (2024-09-03T09:41:07Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳（メタデータ） (2021-04-30T02:14:00Z)
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。