論文の概要: PTNO: Training Neural Operators with Noisy Monte Carlo Estimates for Particle Transport Problems

• arxiv url: http://arxiv.org/abs/2609.40090v2
• Date: Thu, 01 Oct 2026 19:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.972503
• Title: PTNO: Training Neural Operators with Noisy Monte Carlo Estimates for Particle Transport Problems
• Title（参考訳）: PTNO:粒子輸送問題に対するノイズモンテカルロ推定を用いたニューラルネットワークの訓練
• Abstract要約: 多重散乱下での粒子輸送は放射移動とプラズマ物理学の中心である。 学習ベースのサロゲートはこのコストを減らしますが、一般的には高価でよく収束したモンテカルロ(MC)シミュレーションでトレーニングします。 本稿では,雑音の多い低コストMCラベルから直接粒子輸送をサロゲートするニューラル演算子PTNOを提案する。
• 参考スコア（独自算出の注目度）: 60.22481573681436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Particle transport under multiple scattering is central to radiative transfer and plasma physics, yet high-fidelity Monte Carlo (MC) simulations must trace prohibitively many particles. Learning-based surrogates can amortize this cost, but typically train on expensive, well-converged MC solutions. We propose the Particle Transport Neural Operator (PTNO), a neural operator that learns particle transport surrogates directly from noisy, low-cost MC labels. Such labels pose two challenges: (1) high variance, which destabilizes standard supervised learning, and (2) a high dynamic range (HDR) spanning many orders of magnitude. For the first, we learn the solution operator from noisy labels of many configurations, amortizing MC cost and generalizing to unseen configurations. Because MC labels are unbiased, we show that the squared loss on them shares its minimizer with the loss on converged solutions, and our budget-allocation study over training scenes $M$, MC samples per render $N$, and independent renders per scene $K$ shows that many noisy scenes beat fewer converged ones. For the second, a nonlinear transform such as the logarithm biases noisy supervision. Instead, PTNO keeps labels in physical space and enforces positivity with a softplus output layer that represents small values effectively. We further train with a pointwise relative $L_2$ loss (PRelL2), the stop-gradient relative loss of HDR denoising and neural rendering, which normalizes each residual by the stop-gradient prediction instead of the noisy label. We demonstrate PTNO on neutron transport in fusion reactors and radiative transfer in participating media. On the two neutronics tasks, PTNO is $10^4$-$10^5\times$ faster than converged MC on the same CPU and $10^3$-$10^5\times$ cheaper than MC at matched accuracy; on the two radiative-transfer tasks, MC at matched accuracy costs $0.8$-$11\times$ as much as PTNO.
• Abstract（参考訳）: 多重散乱下での粒子輸送は放射移動とプラズマ物理の中心であるが、高忠実度モンテカルロ (MC) シミュレーションは違法に多くの粒子を辿る必要がある。 学習ベースのサロゲートはこのコストを減らしますが、通常は高価な、よく収束したMCソリューションでトレーニングします。 本稿では,雑音の多い低コストMCラベルから直接粒子輸送をサロゲートするニューラル演算子PTNOを提案する。 このようなラベルは、(1)標準教師付き学習を不安定化する高分散、(2)多くの桁にまたがるハイダイナミックレンジ(HDR)という2つの課題を提起する。 まず、多くの構成のノイズラベルから解演算子を学び、MCコストを償却し、目に見えない構成に一般化する。 MCラベルは偏りがないため、その正方形の損失は収束したソリューションの損失と最小値を共有しており、トレーニングシーンに対する予算配分調査はM$、MCサンプル1枚あたり$N$、独立レンダリング1シーンあたり$K$は、多くのノイズの多いシーンが収束したシーンより少ないことを示している。 第二に、対数バイアスのような非線形変換はノイズの監督を行う。 その代わり、PTNOはラベルを物理空間に保持し、小さな値を効果的に表すソフトプラス出力層で正に強制する。 さらに,HDR復調とニューラルレンダリングの停止段階相対損失であるPRelL2を用いて,雑音ラベルの代わりに各残差を停止段階予測により正規化する。 核融合炉の中性子輸送と参加媒体の放射移動についてPTNOを実証する。 2つの中性子タスクでは、PTNOは10^4$-$10^5\times$は同じCPU上の収束MCよりも高速で、10^3$-$10^5\times$は一致した精度でMCより安価である。

関連論文リスト

• Phase diagram of lasing under correlated pump from GPU-accelerated Truncated Wigner dynamics [0.11666234644810893]
  超放射光レーザーは、空洞場ではなく、原子媒体に光コヒーレンスを格納する。 局所的な励起は、原子番号$N$と線形に成長する速度でコヒーレント光を発生させ、光子リコイルを通して媒体を加熱する。 完全な集合ポンプは、このスケーリングを除去するが、放出を部分的コヒーレンスに制限する。 N$2準位原子鎖上の空間相関ポンプを用いてこれらの限界を補間する。
  論文  参考訳（メタデータ） (2026-08-10T18:00:03Z)
• Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
  自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。 我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。 この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
  論文  参考訳（メタデータ） (2026-08-01T13:49:46Z)
• Three-Body Scattering for Generative Modeling [17.851305398372794]
  本研究では, 適切な分布エネルギーがサンプルレベルの運動を誘導し, 一段階発生器の直接回帰管理を可能にすることを示す。 生成のための3次元散乱モデリングは、エネルギー距離を一定サイズ毎の弾道的相互作用に変換する。 拡散関連監視,ドリフトライクなダイナミクス,およびGANライクな目的に関するデザインマップを提供する。
  論文  参考訳（メタデータ） (2026-07-20T17:38:12Z)
• DualTCN: A Physics-Constrained Temporal Convolutional Network for 2 Time-Domain Marine CSEM Inversion [1.2031796234206138]
  DualTCNは、時間領域の海洋電磁制御源(MCSEM)過渡データを反転させるための最初のディープラーニングフレームワークである。 このフレームワークは、4つのアースモデルパラメータを回帰し、微分可能なソフトステップデコーダを用いてプロファイルを再構成する。 このフレームワークは、カリキュラムベースの振幅増大によるノイズに対する高い堅牢性を示し、平均$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)
• Experimental realization of a $\cos(2\varphi)$ transmon qubit [30.627193200398082]
  島は、クーパーペアのペアを選択的に送信するトンネル要素を介して地面に投げ出されます。 対向するクーパー対ペアパリティの状態を13.6mathrmMHz$で2倍にすることができる。 我々は、コヒーレント量子ビット制御、シングルショット読み出し、量子ジャンプの解決を実証する。
  論文  参考訳（メタデータ） (2026-03-13T16:10:42Z)
• Operator Learning Using Weak Supervision from Walk-on-Spheres [81.26322147849918]
  トレーニング型PDEソルバは、高価なデータ生成や不安定な物理インフォームドニューラルネットワーク(PINN)によってボトルネックされることが多い モンテカルロ法を用いてPDEの解をトレーニング中の弱監督過程として推定する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-01T17:23:39Z)
• In-situ mid-circuit qubit measurement and reset in a single-species trapped-ion quantum computing system [34.82692226532414]
  我々は,トラップイオン量子コンピューティングシステム上でのMCMR(In-situ Mid-circuit Measurement and Reset)演算を実装した。 測定されたキュービットからデータキュービットを分離する2つの方法を紹介し比較する。 2つの171textrmYb+$イオンの結晶上で、両手法を実験的に実証した。
  論文  参考訳（メタデータ） (2025-04-17T00:10:35Z)
• Observation of Josephson Harmonics in Tunnel Junctions [0.9181311783131562]
  最先端の超伝導量子ビットは酸化アルミニウム(AlO$_x$)トンネルジョセフソン接合を用いる。 標準電流相関係は, トランスモン人工原子のエネルギースペクトルを正確に記述できないことを示す。
  論文  参考訳（メタデータ） (2023-02-17T23:52:55Z)
• Denoising MCMC for Accelerating Diffusion-Based Generative Models [54.06799491319278]
  拡散モデルは、スコア関数を用いて拡散過程の逆をシミュレートし、ノイズからデータを合成する強力な生成モデルである。 本稿では,スコアベースサンプリングを高速化するアプローチを提案する。 DMCMC のインスタンスである Denoising Langevin Gibbs (DLG) が6つの逆S/ODE 計算タスクの高速化に成功していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T07:16:10Z)

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。