論文の概要: Torch-DPhys: A Torch-Native, MOOSE-Compatible Framework for Differentiable Physics Simulation and Hybrid Machine Learning Integration

• arxiv url: http://arxiv.org/abs/2610.24301v1
• Date: Fri, 16 Oct 2026 22:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 02:27:13.195317
• Title: Torch-DPhys: A Torch-Native, MOOSE-Compatible Framework for Differentiable Physics Simulation and Hybrid Machine Learning Integration
• Title（参考訳）: Torch-DPhys: 微分可能な物理シミュレーションとハイブリッド機械学習統合のためのトーチ負のMOOSE互換フレームワーク
• Abstract要約: 本稿ではPyTorchで実装されたTorch-DPhysについて述べる。 このシステムは、MOOSEの熱水圧モジュールとシステム解析モジュールから選択された熱水圧モデリングの概念と離散化を実装している。 ネイティブテンソル残基はCPUとGPUの実行、選択された数値カーネルのコンパイル、疎直線形解決をサポートする。
• 参考スコア（独自算出の注目度）: 4.106593007943804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Torch-DPhys, a Torch-native framework implemented in PyTorch for differentiable physics simulation and hybrid physics-machine learning. It implements selected thermal-hydraulic modeling concepts and discretizations from MOOSE's Thermal Hydraulics Module and the System Analysis Module (SAM), with a preliminary extension to continuum mechanics. Native tensor residuals support CPU and GPU execution, compilation of selected numerical kernels, and sparse direct linear solves. Sensitivities are obtained by differentiating executed numerical operations or through discrete adjoints of converged residual equations. Verification combines analytical solutions, reference-code comparisons, and derivative checks. Demonstrations cover plane-strain elasticity, one- and two-loop thermal-hydraulic transients, and an axisymmetric molten-salt fast reactor. For the reactor, comparison with SAM-Lite gives a maximum normalized field discrepancy of 1.13 x 10^-5 over 200 adaptive time steps, demonstrating agreement between the tested discrete implementations. Selected transient sensitivities are assessed using tangent-linear calculations and finite differences on fixed time schedules. Two applications illustrate the framework's connection between simulation and optimization. A residual-adjoint parameter-identification calculation recovers nominal pump head and heating power with relative errors below 0.06% from noiseless synthetic MOOSE observations. A separate three-loop plant demonstration uses solver-in-the-loop training of a predictive controller by differentiating trajectory-level objectives through the thermal-hydraulic simulation. These examples illustrate a foundation for gradient-based inference, control, and coupled physics-machine learning models in nuclear engineering.
• Abstract（参考訳）: 本稿ではPyTorchで実装されたTorch-DPhysについて述べる。 MOOSEの熱水圧モジュールとシステム解析モジュール(SAM)から選択された熱水圧モデリングの概念と離散化を実装し、連続体力学の予備的な拡張を行う。 ネイティブテンソル残基はCPUとGPUの実行、選択された数値カーネルのコンパイル、疎直線形解決をサポートする。 感度は、実行された数値演算を微分したり、収束した残留方程式の離散随伴を通して得られる。 検証は解析解、参照コード比較、微分チェックを組み合わせる。 実験では, 平面ひずみ弾性, 1ループおよび2ループ熱水和性遷移率, 軸対称溶融塩類高速反応器をカバーしている。 反応器の場合、SAM-Liteとの比較により、200の適応時間ステップに対して1.13 x 10^-5の最大正規化場差が与えられ、試験された離散実装間の一致を示す。 選択された過渡感性は、接線線形計算と固定時間スケジュールにおける有限差分を用いて評価する。 2つのアプリケーションが、シミュレーションと最適化の間のフレームワークの関連を説明している。 残留結合パラメータ同定計算は、ノイズのない合成MOOSE観測から0.06%以下の相対誤差で名目ポンプヘッドと加熱パワーを回復する。 別個の3ループプラントデモでは、熱水理シミュレーションにより軌道レベルの目標を微分することで予測制御器のソルバ・イン・ザ・ループ・トレーニングを使用する。 これらの例は、核工学における勾配に基づく推論、制御、結合された物理機械学習モデルの基礎を示している。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
  本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。 核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
  論文  参考訳（メタデータ） (2026-09-02T13:15:50Z)
• Equivariant Continuous Normalizing Flows with Offline Sampling for Fermionic Ground State Estimation [0.0]
  フローは置換同変ニューラルODEとして実装される。 調和に閉じ込められたスピンレス電子系のトレーニングは、CISD基準値以下の基底状態エネルギーを示す。 スケーリング実験では、NERSCのPerlmutterスーパーコンピュータの32のGPUノードを使用して、1～128のNVIDIA A100のほぼ理想的なスケーリングを実証している。
  論文  参考訳（メタデータ） (2026-07-20T20:17:13Z)
• Comparing the Performance of Leading VQE Algorithms for Computing Ground-State Energies of Amino Acids [0.0]
  論文から10以上の異なるアンサーゼの再現可能なベンチマークを備えた統合リポジトリを提案する。 QMProtデータセットから得られたハミルトニアンを用いて、異なるアミノ酸をシミュレートする。
  論文  参考訳（メタデータ） (2026-07-02T06:38:31Z)
• 1d-qt-ideal-solver: 1D Idealized Quantum Tunneling Solver with Absorbing Boundaries [0.0]
  1d-qt-ideal-solverは、量子トンネル力学をシミュレートするオープンソースのPythonライブラリである。 Numbaのジャスト・イン・タイムコンパイルはコンパイル言語に匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-27T16:13:44Z)
• Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
  本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。 多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。 その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
  論文  参考訳（メタデータ） (2025-07-24T11:02:13Z)
• A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
  偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。 提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。 ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
  論文  参考訳（メタデータ） (2024-05-21T02:41:40Z)
• 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)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic differential equations [2.741266294612776]
  我々は、物理学インフォームド・ニューラルネットワーク(PI-VAE)と呼ばれる新しいタイプの物理インフォームド・ニューラルネットワークを提案する。 PI-VAEは、システム変数とパラメータのサンプルを生成する変分オートエンコーダ(VAE)で構成されている。 提案手法の精度と効率を,物理インフォームド生成対向ネットワーク (PI-WGAN) と比較して数値的に検証した。
  論文  参考訳（メタデータ） (2022-03-21T21:51:19Z)

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。