論文の概要: PHASE: Multi-Regime Modeling of Incompressible Magnetohydrodynamics

• arxiv url: http://arxiv.org/abs/2609.37609v1
• Date: Tue, 29 Sep 2026 13:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.58899
• Title: PHASE: Multi-Regime Modeling of Incompressible Magnetohydrodynamics
• Title（参考訳）: PHASE:非圧縮性流体力学のマルチレジームモデリング
• Abstract要約: 磁気流体力学(MHD)は、天体物理学、宇宙科学、融合、工学におけるプラズマモデリングの中心である。 既存のモデルでは、物理状態ごとに個別のトレーニングが必要であり、様々なパラメータ設定にまたがる一般化を制限する。 我々は、残誤差補正を備えたPHysics-Adaptive Scalable演算子PHASEを紹介する。 相は、転移学習、状態認識適応、ベースライン適応、および残留精製を組み合わせることで、MHDレギュレーション全体にわたる物理的忠実性と一般化の両方を改善する。
• 参考スコア（独自算出の注目度）: 3.871866421676334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetohydrodynamics (MHD) is central to plasma modeling in astrophysics, space science, fusion, and engineering, but resolving multiscale MHD dynamics is computationally expensive. Machine-learning surrogates enable fast inference by learning reusable solution operators, yet existing models require separate training for each physical regime, limiting generalization across varying parameter settings. We introduce PHASE, a PHysics-Adaptive Scalable operator with residual Error correction, designed to model incompressible MHD across varying physical parameters with a single model. PHASE combines transfer learning, regime-aware adaptation, physics-centered learning, and residual refinement to improve both physical fidelity and generalization across MHD regimes. Together, these improvements achieve state-of-the-art prediction accuracy on two-dimensional MHD turbulence by reducing relative $L_2$ errors on physical fields by more than an order of magnitude compared to prior MHD neural-operator baselines. Moreover, PHASE generalizes successfully to unseen parameter values without retraining, demonstrating the cross-regime adaptability expected from operator learning. We evaluate PHASE beyond point-wise prediction errors using derived physical fields, spectral analysis, and distribution statistics, consistently observing improved physical fidelity. We further show that our framework can accurately simulate MHD instabilities by testing it on the Kelvin--Helmholtz instability, demonstrating the robustness of our method.
• Abstract（参考訳）: 磁気流体力学(MHD)は、天体物理学、宇宙科学、融合、工学におけるプラズマモデリングの中心であるが、マルチスケールのMHD力学の解決には計算コストがかかる。 機械学習サロゲートは、再利用可能なソリューション演算子を学習することで、高速な推論を可能にするが、既存のモデルは、物理状態ごとに個別のトレーニングを必要とし、様々なパラメータ設定の一般化を制限する。 本稿では,残誤差補正を施したPHysics-Adaptive Scalable演算子PHASEを紹介する。 PHASEは、伝達学習、状態認識適応、物理中心学習、および残留洗練を組み合わせ、MHDレギュレーションにおける物理忠実性と一般化の両方を改善する。 これらの改良により、従来のMHDニューラル演算ベースラインと比較して、物理場の相対的な$L_2$誤差を1桁以上減らし、2次元MHD乱流の最先端予測精度が向上する。 さらに、PHASEは、再学習せずにパラメータ値の未確認をうまく一般化し、演算子学習から期待される相互登録適応性を実証する。 我々は、導出した物理場、スペクトル分析、分布統計を用いて、PHASEを点方向予測誤差を超えて評価し、改善された物理忠実度を一貫して観察した。 さらに、我々のフレームワークはケルビン-ヘルムホルツ不安定性を用いてMHD不安定性を正確にシミュレートできることを示す。

関連論文リスト

• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics [6.7982839614843575]
  PhysCoReは、2つのフィードフォワードニューラルネットワークと微分可能なMaterial Point Methodシミュレータを結合した物理補正された残留世界モデルである。 材料精製モジュールは、粒子ごとの弾性を視覚観測から推定し、物体特異的物理学においてシミュレータを接地する。 残差補正モジュール(Residual from Dynamics (RfD))は、誤差を学習し、シミュレータの内部ダイナミクスの補正を予測する。
  論文  参考訳（メタデータ） (2026-07-22T18:25:57Z)
• Hybrid Physics-ML Model for Forward Osmosis Flux with Complete Uncertainty Quantification [0.0]
  本稿では,ガウス過程回帰(GPR)を用いたロバストハイブリッド物理-MLフレームワークを提案する。 我々は、詳細な非線形FO物理モデル予測(Jw_physical)と実験水流束(Jw_actual)の間の残留誤差に基づいてGPRを訓練する。 120のデータポイントでトレーニングされたこのモデルは、最先端の平均絶対パーセンテージエラー(MAPE)を0.26%、独立したテストデータ上でR2を0.999で達成した。
  論文  参考訳（メタデータ） (2025-12-11T09:27:44Z)
• Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows [2.7233737247962786]
  MRPARCv2は、対流拡散反応方程式の構造を埋め込んで複雑な流れをモデル化するように設計されている。 The Well Multi-physicsベンチマークレポジトリの2次元乱流放射層データセットを用いて,そのモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-12-04T16:19:10Z)
• Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
  本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。 提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T09:13:37Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)

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。