論文の概要: A Pre-trained Variational Autoencoder for Gyrokinetic Plasma Turbulence Surrogate Modeling

• arxiv url: http://arxiv.org/abs/2609.38438v1
• Date: Tue, 29 Sep 2026 19:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.655652
• Title: A Pre-trained Variational Autoencoder for Gyrokinetic Plasma Turbulence Surrogate Modeling
• Title（参考訳）: 体操式プラズマ乱流サーロゲートモデリングのための事前学習型変分オートエンコーダ
• Abstract要約: 乱流場の効率的な空間圧縮のための代理モデリングフレームワークであるPreVAE-Turbを提案する。 2次元長谷川-若谷流速波乱流の枠組みを検証した。 4チャネル適応は静電電位、密度、平行/垂直温度の変動を同時に予測する。
• 参考スコア（独自算出の注目度）: 6.479284662203278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning surrogate models offer a promising path toward accelerating plasma turbulence simulations. We present PreVAE-Turb, a surrogate modeling framework that leverages pre-trained variational autoencoders (VAEs) from the Stable Diffusion image generation model for efficient spatial compression of turbulence fields. The pre-trained VAE is fine-tuned on turbulence data using a physics-informed loss function that includes a spectral loss operating in Fourier space to enforce spectral accuracy across scales. The VAE is combined with convolutional long short-term memory (ConvLSTM) networks to learn temporal dynamics in latent space, with a manifold consistency error metric that monitors encode--decode consistency during autoregressive rollouts. We validate the framework on two-dimensional Hasegawa-Wakatani drift-wave turbulence and extend it to gyrokinetic turbulence from the GENE code, where a four-channel adaptation simultaneously predicts electrostatic potential, density, and parallel/perpendicular temperature fluctuations without requiring architecture redesign. Once trained, inference generates thousands of time steps in seconds on a single GPU, providing substantial computational acceleration compared to direct numerical simulation. The pre-trained approach offers a transferable methodology broadly applicable to various turbulence simulation codes.
• Abstract（参考訳）: 機械学習サロゲートモデルは、プラズマ乱流シミュレーションを加速するための有望な道を提供する。 安定拡散画像生成モデルから事前学習された変動オートエンコーダ(VAE)を活用し,乱流場の空間圧縮を効率的に行うサロゲート・モデリング・フレームワークであるPreVAE-Turbを提案する。 プレトレーニングされたVAEは、フーリエ空間で動作しているスペクトル損失を含む物理インフォームド・ロス関数を用いて乱流データに基づいて微調整され、スケールにわたってスペクトル精度を強制する。 VAEは、畳み込み長短期メモリ(ConvLSTM)ネットワークと組み合わせて、遅延空間における時間的ダイナミクスを学習し、自動回帰ロールアウト中のエンコード-デコード一貫性をモニタする多様体の整合性エラーメトリクスを組み合わさっている。 本研究では, 二次元長谷川-若谷流速波乱流の枠組みを検証し, 構造の再設計を必要とせず, 静電電位, 密度, 並列/垂直温度変動の同時予測を行う。 トレーニングが完了すると、推論は1つのGPU上で数千のタイムステップを秒単位で生成し、直接数値シミュレーションと比較すると相当な計算アクセラレーションを提供する。 事前訓練されたアプローチは、様々な乱流シミュレーションコードに広く適用可能な伝達可能な方法論を提供する。

関連論文リスト

• A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
  本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。 生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:58:13Z)
• Transformers with Physics-Informed Encodings and Simulation-Based Inference for Robust Detection of Eccentric Binary Black Holes in Pulsar Timing Array Data [4.305160643026584]
  偏心二元ブラックホールの効率的な推定のための物理インフォームド位置符号化フレームワークを用いた変圧器を提案する。 提案手法は, 構造的位置エンコーディングによる解析的GW位相の進化を直接モデルに組み込む。 信号と雑音の比の幅にわたって、提案手法は物理に依存しないベースラインと比較して精度の向上、後方のシャープ化、推論の高速化を実現している。
  論文  参考訳（メタデータ） (2026-07-04T14:59:03Z)
• AERMANI-Diffusion: Regime-Conditioned Diffusion for Dynamics Learning in Aerial Manipulators [2.376629619475859]
  空力マニピュレータは、慣性結合力と空力の迅速かつ構成に依存した変化を行う。 条件付き拡散プロセスと軽量時間エンコーダを用いて残留力の完全な分布をモデル化する状態条件拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T16:10:32Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Generative Pre-trained Autoregressive Diffusion Transformer [74.25668109048418]
  GPDiT(GPDiT)は、自動回帰拡散変換器である。 長距離ビデオ合成における拡散と自己回帰モデリングの強みを統一する。 拡散損失を用いて将来の潜伏フレームを自動回帰予測し、運動力学の自然なモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-05-12T08:32:39Z)
• $\beta$-Variational autoencoders and transformers for reduced-order modelling of fluid flows [0.3644907558168858]
  変分オートエンコーダ(VAE)アーキテクチャは、カオス流体の低次モデル(ROM)を開発する可能性を秘めている。 本稿では,$beta$-VAEとtransformerの組み合わせを用いて,コンパクトで直交に近いROMを学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-07T10:11:32Z)

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。