論文の概要: Physics-Informed Neural Operator Surrogate for 2D Magnetohydrodynamic Reconnection
- arxiv url: http://arxiv.org/abs/2609.29514v1
- Date: Tue, 25 Aug 2026 21:12:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.052601
- Title: Physics-Informed Neural Operator Surrogate for 2D Magnetohydrodynamic Reconnection
- Title（参考訳）: 2次元磁気流体リコネクションのための物理インフォームニューラルネットワークサロゲート
- Abstract要約: 壁面境界領域における2次元圧縮性,粘性,抵抗性リコネクションのためのサロゲートを開発した。
103le Sle2times105$の2つの値で訓練され、サロゲートは密度、圧力、ガイドフィールドを0.2%以上まで回復する。
20492ドルのソルバメッシュでゼロショットをクエリすると、完全なトラジェクトリ実行が1つのGPU上で、DNSの数時間に対して数秒の順序で実行される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Direct numerical simulation of magnetic reconnection is limited by the scale separation of resistive magnetohydrodynamics. At large Lundquist numbers $S$ the current layer thins as $S^{-1/2}$, forcing fine grids and short time steps that make parameter scans prohibitively expensive. Deep learning neural operators offer an alternative by learning the map between function spaces rather than individual solutions, so that a single trained model returns the state for any parameter and time at inference cost. We have developed a Fourier Neural Operator (FNO) based Physics-Informed Neural Operator (PINO) surrogate for two-dimensional compressible, viscous, resistive reconnection in a wall bounded domain. We condition on the initial state, the Lundquist number, and a continuous query time. Predicting the magnetic flux function makes $\grad\!\cdot\!\bB=0$ exact, direct time queries remove autoregressive error accumulation, and parity-aware spectral differentiation matches the wall treatment of the reference solver. Trained across $10^{3}\le S\le2\times10^{5}$ with two values withheld, the surrogate recovers density, pressure, and guide field to better than $0.2\%$, velocity to $3.2$ to $3.9\%$, the flux function to $1.0\%$, and the spectral current density to $7.5\%$. It resolves the thin, narrow current sheet, Alfvénic jets, and spectral resolution beyond mode cutoff. Our surrogate reproduces the layer-averaged reconnection rate to within $3\%$ through $S=1.1\times10^{4}$, recovering a reconnection time exponent of $0.497$ consistent with Sweet-Parker scaling. When queried zero-shot on the $2049^{2}$ solver mesh, a full trajectory run is on the order of seconds on one GPU against several hours for the DNS, over two orders of magnitude faster, establishing learned operators as a practical route to surveying reconnection across parameter space.
- Abstract（参考訳）: 磁気リコネクションの直接数値シミュレーションは、磁気流体力学のスケール分離によって制限される。
大型のLundquist番号$S$では、現在のレイヤは$S^{-1/2}$と薄くなり、細かいグリッドとパラメータスキャンを違法に高価なものにする短いステップを強制する。
ディープラーニングニューラルネットワークは、個々のソリューションではなく関数空間間のマップを学習することで代替手段を提供する。
壁面境界領域における2次元圧縮性,粘性,抵抗リコネクションのためのフーリエ・ニューラル・オペレータ (FNO) を用いた物理インフォームド・ニューラル・オペレータ (PINO) サロゲートを開発した。
初期状態、Lundquist番号、連続的なクエリ時間について条件を定めます。
磁束関数の予測は$\grad\!
デーモン!
bB=0$ exactly, direct time query remove autoregressive error accumulation, and parity-aware contrast differentiation match the wall treatment of the referencesolvr。
10^{3}\le S\le2\times10^{5}$に2つの値を持ち、サロゲートは密度、圧力、ガイドフィールドを0.2\%$、速度は3.2$から3.9\%$、フラックス関数は1.0\%$、スペクトル電流密度は7.5\%$に回復する。
薄い細い電流シート、アルフェニックジェット、モードカットオフを超えるスペクトル分解能を分解する。
我々のサロゲートは平均的な再接続率を$S=1.1\times10^{4}$から$S=1.1\times10^{4}$の範囲で再現し、Sweet-Parkerスケーリングと整合した0.497$のリコネクション時間指数を回復する。
2049^{2}$ソルバメッシュでゼロショットを問うと、完全な軌道実行は1つのGPU上で、DNSの数時間に対して数秒の順序で行われる。
関連論文リスト
- Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。
我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。
この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
論文 参考訳（メタデータ） (2026-08-01T13:49:46Z) - Velocity Scheduled Flow Matching [0.0]
フローマッチングはニューラルネットワークを訓練し、ノイズとデータの間の線形補間子に沿って条件速度を後退させる。
条件付きターゲットに取って代わるVelocity Scheduled Flow Matchingを導入する。
VSFMは、一様でないプロファイルにODEを統合することで、任意の許容プロファイルの下でサンプル化することができる。
論文 参考訳（メタデータ） (2026-07-13T11:50:06Z) - Sequential Physics-Constrained Neural Operator Forward Modeling for the $\textit{Norne}$ Reservoir System [3.175986877079391]
ニューラル演算子を用いたブラックオイル貯留層力学の逐次サロゲートモデリングのための包括的フレームワークを開発した。
アプリケーション焦点はNorneベンチマーク貯水池で、不均一な$46times112times22$グリッドで定義されている。
1000人組のアンサンブルは、1つのB200 GPU上で1分以下で動作し、OPM有限体積シミュレータよりも$sim104times$ Wall-clockのスピードアップを提供する。
論文 参考訳（メタデータ） (2026-05-27T17:18:39Z) - The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。
これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
論文 参考訳（メタデータ） (2026-05-09T22:27:31Z) - Finite Volume-Informed Neural Network Framework for 2D Shallow Water Equations: Rugged Loss Landscapes and the Importance of Data Guidance [3.04375043248235]
データガイドFVM-PINN'は,非構造化メッシュ上で評価された強形式残差を,微分可能でバランスの取れた有限体積損失(FVM)に置き換えるフレームワークである。
このフレームワークは、SRH-2Dアンカーデータから正確なサロゲートを構築する。
論文 参考訳（メタデータ） (2026-05-09T22:03:56Z) - DualTCN: A Physics-Constrained Temporal Convolutional Network for 2 Time-Domain Marine CSEM Inversion [1.2031796234206138]
DualTCNは、時間領域の海洋電磁制御源(MCSEM)過渡データを反転させるための最初のディープラーニングフレームワークである。
このフレームワークは、4つのアースモデルパラメータを回帰し、微分可能なソフトステップデコーダを用いてプロファイルを再構成する。
このフレームワークは、カリキュラムベースの振幅増大によるノイズに対する高い堅牢性を示し、平均$barR2$ 0.858 at $pm2%$ランダム振幅誤差を維持している。
論文 参考訳（メタデータ） (2026-05-06T14:58:17Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Accelerated Gradient Tracking over Time-varying Graphs for Decentralized Optimization [59.65871549878937]
実用的な単一ループ加速勾配追跡には$O(fracgamma1-sigma_gamma)2sqrtfracLepsilon)$が必要であることを証明している。
我々の収束率は$O(frac1epsilon5/7)$と$O(fracLmu)5/7frac1(1-sigma)1.5logfrac1epsilon)$よりも大幅に改善した。
論文 参考訳（メタデータ） (2021-04-06T15:34:14Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。