論文の概要: NEOPIC: A Neural Operator Framework for Particle-based Kinetic Plasma Simulations

• arxiv url: http://arxiv.org/abs/2610.40528v1
• Date: Thu, 29 Oct 2026 17:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.549789
• Title: NEOPIC: A Neural Operator Framework for Particle-based Kinetic Plasma Simulations
• Title（参考訳）: NEOPIC: 粒子に基づく運動プラズマシミュレーションのためのニューラルネットワーク・オペレーター・フレームワーク
• Abstract要約: 本研究では,運動プラズマシミュレーションに適用した粒子法において,場演算子を学習するためのフレームワークNEOPICを紹介する。 メッシュやツリーは不要で、グリッドベースのニューラル演算子とは異なり、メッシュへの堆積は発生しない。 セル内のパーティクル・イン・セル、パーティクル・イン・フューリエ、ツリーのコードからのデータに基づいてトレーニングし、任意の時間積分器と組み合わせることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce NEOPIC, a framework for learning the field operator in particle-based methods applied to kinetic plasma simulations. Its key novelty is a neural operator that acts directly on the empirical measure of the particles, rather than on a grid, and is evaluated at the particle positions. No mesh or tree is needed and, unlike grid-based neural operators, no deposition onto a mesh takes place, so the particle noise that dominates the inputs of particle simulations is not aliased. Since it replaces only the field solve, it serves as a plug-and-play field solver for particle-based methods: it can be trained on data from particle-in-cell, particle-in-Fourier or tree codes, and combined with any time integrator, including implicit schemes. We prove that the discrete evaluation coincides with the continuous operator at any number of particles (representation equivalence) and derive an error analysis that separates sampling, learning and time-stepping errors: up to the learning error, NEOPIC has the error structure of standard Monte Carlo particle methods. We show that the particle noise in the training data acts as an implicit regularizer, which gives guidance on the number of training particles in relation to the particle numbers used at inference. A complexity analysis shows that NEOPIC is an $O(N_p)$ method whose constants are set by the architecture alone, independently of any mesh or tree. Numerical experiments on electrostatic benchmarks in two and three dimensions, including Landau damping, two-stream and bump-on-tail instabilities, a cyclotron mini-app and a Penning trap, confirm the theoretical findings. A single model trained on several mini-apps generated by different reference methods captures all of them and remains stable up to twice the training time window, which points towards foundation models for fields in particle-based methods.
• Abstract（参考訳）: 本研究では,運動プラズマシミュレーションに適用した粒子法において,場演算子を学習するためのフレームワークNEOPICを紹介する。 その重要な特徴は、格子ではなく粒子の経験的測度に直接作用し、粒子の位置で評価される神経作用素である。 メッシュやツリーは不要であり、グリッドベースのニューラル演算子とは異なり、メッシュへの堆積は発生しないため、粒子シミュレーションの入力を支配する粒子ノイズは回避されない。 パーティクル・イン・セル(英語版)、パーティクル・イン・フューリエ(英語版)、ツリー・コードからのデータに基づいて訓練し、暗黙のスキームを含む任意の時間積分器と組み合わせることができる。 離散的評価は,任意の粒子数の連続演算子(表現等価性)と一致し,サンプリング,学習,タイムステッピング誤差を分離する誤差解析を導出する。 トレーニングデータ中の粒子ノイズは暗黙の正則化器として機能し,推測に使用する粒子数に関連して,トレーニング粒子数に関するガイダンスを与える。 複雑性分析は、NEOPICが$O(N_p)$メソッドであることを示している。 2次元と3次元の静電気ベンチマークに関する数値実験では、ランダウの減衰、2流とバンプオンテールの不安定、サイクロトロンのミニアプリとペニングトラップが理論的な結果を裏付けている。 異なる参照メソッドによって生成されたいくつかのミニアプリケーションでトレーニングされた単一のモデルは、これらすべてをキャプチャし、トレーニング時間ウィンドウの最大2倍まで安定している。

関連論文リスト

• WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer [107.36949516442782]
  本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
  論文  参考訳（メタデータ） (2026-05-14T18:18:12Z)
• Unsupervised Particle Tracking with Neuromorphic Computing [1.7471104495490826]
  突発的ヒットによる顕著なノイズの存在下で、荷電粒子が残した信号を完全に教師なしの方法で識別することのできる、スパイクニューラルネットワークの方法を示す。 これらの結果は、ニューロモルフィックコンピューティングの粒子追跡への応用への道を開き、将来の高エネルギー物理学実験におけるリアルタイム、低消費電力粒子追跡の可能性に関するさらなる研究を動機付けている。
  論文  参考訳（メタデータ） (2025-02-10T18:50:50Z)
• Electrostatics-based particle sampling and approximate inference [0.0]
  静電気学とニュートン力学の原理に基づく新しい粒子に基づくサンプリングおよび近似推論法が導入された。 より一般的な推論問題において、離散時間離散空間のアルゴリズム設計が使用される。
  論文  参考訳（メタデータ） (2024-06-28T16:53:06Z)
• Simulating Scattering of Composite Particles [0.09208007322096534]
  古典的および量子コンピュータ上での散乱をシミュレーションするための非摂動的アプローチを開発する。 この構造は、2つの複合粒子が接触する粒子衝突を模倣するように設計されている。 このアプローチは、相対論的および非相対論的条件の両方において、強く結合したシステムを研究するのに適している。
  論文  参考訳（メタデータ） (2023-10-20T18:00:50Z)
• Graph Neural Networks-based Hybrid Framework For Predicting Particle Crushing Strength [31.05985193732974]
  粒子破砕の機械的挙動を特徴付けるためにグラフニューラルネットワークを用いる。 我々は,粒状フラグメントビューにおける粒子破砕強度を予測するために,GNNに基づくハイブリッドフレームワークを考案した。 我々のデータとコードはhttps://github.com/doujiang-zheng/GNN-For-Particle-Crushingで公開されています。
  論文  参考訳（メタデータ） (2023-07-26T02:18:04Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)

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。