論文の概要: Efficient Neural Surrogates for Linear Radiation Transport on the Lattice and Hohlraum benchmarks
- arxiv url: http://arxiv.org/abs/2610.04665v1
- Date: Sat, 03 Oct 2026 17:26:34 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 21:15:12.499696
- Title: Efficient Neural Surrogates for Linear Radiation Transport on the Lattice and Hohlraum benchmarks
- Title（参考訳）: 格子およびホールラムベンチマークを用いた線形放射輸送のための効率的なニューラルネットワークサロゲート
- Abstract要約: ニューラルサロゲートは、数千のダウンストリームクエリにわたるアモーティライズシミュレーションコストを緩和することを約束する。
本稿では, 2次元線形RTEにおける最終時間粒子濃度のエンドツーエンド近似として, 2つのパラメータマッチング型ニューラルネットワークサロゲートアーキテクチャをベンチマークした。
フーリエの特徴と地域重み付けのトレーニング損失によるアブレーションは、アーキテクチャに依存したインダクティブバイアスの強い好みを露呈し、物理インフォームドサロゲートに共通する設計選択をアーキテクチャ毎に再検討する必要があることを示唆している。
- 参考スコア（独自算出の注目度）: 3.7214007898390196
- License:
- Abstract: Linear radiation transport equations (RTEs) form the simulation foundations underpinning design and analysis tasks in nuclear engineering, inertial confinement fusion, medical imaging, and astrophysics, but resolving the high-dimensional phase space at engineering fidelity remains expensive enough that outer-loop workflows, such as design optimization, uncertainty quantification, and parameter sweeps, are routinely budget-bound on traditional solvers. Neural surrogates promise to relax this bottleneck by amortizing simulation cost across thousands of downstream queries, but the architectural choices and engineered inductive biases that make a surrogate accurate on one transport problem do not transfer straightforwardly across model families. We benchmark two parameter-matched neural surrogate architectures, the physics-attention Transolver and the multi-scale graph network Bi-Stride Multi-Scale MeshGraphNet (BSMS-MGN), as end-to-end approximations of the final-time particle concentration for the two-dimensional linear RTE on the canonical Lattice and Hohlraum benchmarks. An ablation across Fourier features and region-weighted training loss exposes strongly architecture-dependent inductive-bias preferences, indicating that design choices common to physics-informed surrogate workflows must be revisited per architecture rather than imported across model families, and that downstream utility depends on per-QoI sensitivity rather than a single field-level score. The model training recipe, training data, and evaluation pipeline are released alongside this paper to support reproduction, transfer to related transport problems, and evaluation as amortized forward-model components in larger outer-loop simulation workflows.
- Abstract（参考訳）: 線形放射線輸送方程式(RTEs)は、核工学、慣性凝縮核融合、医療画像、天体物理学における設計と分析のタスクを支えるシミュレーションの基礎を形成するが、工学の忠実度における高次元位相空間の解決は、設計最適化、不確実性定量化、パラメータスイープといった外部ループワークフローが伝統的な解決者に対して日常的に予算がかかるほど高価である。
ニューラルネットワークサロゲートは、数千のダウンストリームクエリにまたがるシミュレーションコストを減らして、このボトルネックを緩和することを約束するが、アーキテクチャ上の選択と、あるトランスポート問題においてサロゲートを正確にする帰納バイアスは、モデルファミリ間で直接転送するものではない。
我々は,2次元線形RTEの終端粒子濃度を標準格子およびホラーウムベンチマーク上でのエンドツーエンドの近似として,パラメータマッチングされた2つのニューラルネットワークアーキテクチャ,物理アテンショントランスオーバーとマルチスケールグラフネットワークBi-Stride Multi-Scale MeshGraphNet (BSMS-MGN) をベンチマークした。
フーリエ特徴間のアブレーションと地域重み付きトレーニング損失は、強いアーキテクチャ依存のインダクティブバイアス(inductive-bias)の好みを露呈し、物理インフォームドサロゲートワークフローに共通する設計選択は、モデルファミリ間でインポートされるよりもアーキテクチャ毎に再検討する必要があること、ダウンストリームユーティリティは単一のフィールドレベルスコアではなく、QoI単位の感度に依存することを示唆している。
モデル学習法, トレーニングデータ, 評価パイプラインを共にリリースし, より大規模な外ループシミュレーションワークフローにおいて, 再現性, 関連する輸送問題への転送, および償却前方モデルコンポーネントとしての評価を行う。
関連論文リスト
- Trajectory-Aware Flow Matching for Topology Optimisation [2.1228310295568136]
トポロジー最適化(TO)は、繰り返し有限要素解析と感度に基づく材料更新を必要とすることが多い。
既存のモデルは、構造的実現可能性と物理的整合性を維持するために、敵の訓練、長い逆拡散サンプリング、または外部ガイダンスに依存することがある。
本研究では,条件付きトポロジ生成のためのフローマッチングに基づくトポロジ最適化フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-16T07:21:02Z) - Attention mechanism for scalable mesh-based neural surrogates of free-surface fluids [0.0]
粒子有限要素法(PFEM)のようなラグランジアン法による自由表面流れの高忠実度シミュレーションを計算的に要求する。
この問題は非ニュートンのレオロジーによってさらに増幅され、材料非線形性は計算コストを増大させる。
自由表面流れのPFEMシミュレーションのための自己アテンションに基づくニューラルサロゲートを提案する。
論文 参考訳（メタデータ） (2026-06-22T12:33:55Z) - Surrogate Assisted Pedestrian Protection Design via a Foundation Model Orchestrated Workflow [0.0]
事故安全設計のための最初の基礎モデル-組織化されたワークフローを提示する。
歩行者保護のためのサロゲート支援探査を可能にし、CAEシミュレーション1時間あたりの評価時間を秒に短縮する。
自動車のフロントバンパーケーススタディでは、このワークフローは35種類の異なる安全対応の代替品を生成する。
論文 参考訳（メタデータ） (2026-06-16T06:27:38Z) - Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。
Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-04T16:52:44Z) - Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。
この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。
45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
論文 参考訳（メタデータ） (2025-07-21T18:15:12Z) - OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。
本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。
テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文 参考訳（メタデータ） (2025-06-12T16:23:02Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z)
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。