論文の概要: Learned Surrogates of Three-Dimensional Magnetohydrodynamic Turbulence

• arxiv url: http://arxiv.org/abs/2611.01356v1
• Date: Sat, 31 Oct 2026 23:54:52 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:32:42.706492
• Title: Learned Surrogates of Three-Dimensional Magnetohydrodynamic Turbulence
• Title（参考訳）: 三次元磁気流体乱流の学習サロゲート
• Abstract要約: 三次元磁気流体力学(MHD)乱流はシミュレーションに費用がかかる。 我々の知る限り、3次元抵抗型MHD乱流の初めての学習的サロゲートを提示する。
• 参考スコア（独自算出の注目度）: 0.02291770711277359
• License:
• Abstract: Three-dimensional magnetohydrodynamic (MHD) turbulence, the flow of astrophysical and fusion plasmas, is costly to simulate. We present, to our knowledge, the first learned surrogates of three-dimensional resistive MHD turbulence, and compare three standard backbones in that role: a convolutional UNet, a shifted-window transformer and a Fourier neural operator. They are trained as autoregressive emulators of decaying MHD turbulence at a resolution of $128^3$ and Reynolds numbers of 1000, 3000 and 6000, on 500 simulations per Reynolds number, each with one two-stage procedure, single steps and then short rollouts, and stopped by one rule. Over a window of about one large-eddy turnover time, the UNet and the transformer reach relative velocity errors of 0.018 to 0.053 and keep the current sheets, the enstrophy, the current density and the energy spectra of the simulation; which of the two is the more accurate depends on the Reynolds number, the UNet leading at 3000 and 6000 and the transformer at 1000. Applied with the same backbones and training procedure to two public benchmarks, the models reach the lowest error reported to date on the isotropic turbulence set of FactFormer, 39% below the best published model. On the compressible MHD set of The Well, their rollout errors are a third to a half below those of the best of The Well's baselines. They also match a 1.3 B-parameter pretrained foundation model in its rollout windows, with 20-62 times fewer parameters. The code, the configuration of every model, the evaluation scripts and the data generator with the seed of every simulation will be released upon publication.
• Abstract（参考訳）: 3次元磁気流体力学(MHD)乱流(天体物理学と融合プラズマの流れ)は、シミュレーションに費用がかかる。 我々の知る限り、3次元抵抗性MHD乱流の最初の学習サロゲートを示し、その役割における3つの標準的なバックボーンを比較する。 それらはMHD乱流を128^3$で、レイノルズ数1000、3000、6000で崩壊させる自己回帰エミュレータとして、レイノルズ数当たり500のシミュレーションで訓練され、それぞれ1つの2段階の手順、1つのステップ、1つのロールアウト、そして1つのルールで停止する。 UNetとトランスフォーマーは、およそ1つの大きな渦転位時間の窓の上に0.018から0.053の相対速度誤差に達し、現在のシート、エントロフィ、現在の密度、シミュレーションのエネルギースペクトルを保持する。 同じバックボーンとトレーニング手順を2つの公開ベンチマークに適用すると、モデルがFactFormerの等方的乱流セットで報告された最も低いエラーに達する。 The Wellの圧縮可能なMHDセットでは、そのロールアウトエラーはThe Wellのベースラインの3分の1以下である。 また、ロールアウトウィンドウの1.3Bパラメータの事前訓練された基礎モデルと一致し、パラメータは20-62倍減少した。 コード、すべてのモデルのコンフィギュレーション、評価スクリプト、すべてのシミュレーションのシードを持つデータジェネレータは、公開時にリリースされる。

関連論文リスト

• STAR-XPC: Set Transformer for Estimating X-ray Transmission in Polymer Composites [0.12234742322758417]
  本稿では, 分子成分の無秩序な多重集合, 質量分数, 4つのバルク物理ディスクリプタを直接透過率にマッピングするニューラルネットワークモデルを提案する。 我々のモデルはモンテカルロシミュレーションよりも数桁高速である。
  論文  参考訳（メタデータ） (2026-10-20T16:39:39Z)
• LiFT: Loop Flow Transformers [50.488069867161556]
  ループフロー変換器(LiFT)は、共有拡散変換器(DiT)コアを繰り返し適用することにより、計算をスケールする。 LiFTは各ステップを1つの回帰目標(モデルの初期推定からフローマッチング目標への直線経路上の点)で訓練する。 256x256のImageNetでは、LiFT-L/2は高密度のDiT-XL/2ベースラインよりもFID 3.34ポイント低い。
  論文  参考訳（メタデータ） (2026-10-04T21:11:47Z)
• A Physics-Informed Fourier-Wavelet Transformer for Multiscale Computational Fluid Dynamics Surrogate Modeling [0.0]
  本研究では,物理インフォームドフーリエ・ウェーブレット変換器を用いて実世界ベンチマークの速度場再構成を行う。 シリンダー-ウェイク流と流体-構造相互作用の2つの実ベンチマークケースで実験を行った。 その結果,実際の高精度なトレードオフを維持しつつ,実世界の流れの再現性の向上が示された。
  論文  参考訳（メタデータ） (2026-06-23T15:24:05Z)
• MolmoAct2: Action Reasoning Models for Real-world Deployment [67.6315757474802]
  MolmoAct2は、実用的なデプロイメントのために構築された、完全にオープンなアクション推論モデルである。 空間的および具体的推論に特化した VLM バックボーンである MolmoER を紹介する。 低コストプラットフォームにまたがる3つの新しいデータセットをリリースする。
  論文  参考訳（メタデータ） (2026-05-04T17:51:21Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• Surrogate Model for Heat Transfer Prediction in Impinging Jet Arrays using Dynamic Inlet/Outlet and Flow Rate Control [0.0]
  本研究では, 密閉衝突噴流アレイにおけるヌッセルト数分布の予測を目的とした代理モデルを提案する。 我々は,Nusselt分布をリアルタイムで予測できるCNNベースの代理モデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T17:03:54Z)
• One-Step Diffusion Distillation through Score Implicit Matching [74.91234358410281]
  本稿では,Score Implicit Matching (SIM) を用いて,事前学習した拡散モデルを単一ステップジェネレータモデルに蒸留する手法を提案する。 SIMはワンステップジェネレータに対して強い経験的性能を示す。 リードトランスに基づく拡散モデルにSIMを適用することにより,テキスト・ツー・イメージ生成のための単一ステップ生成器を蒸留する。
  論文  参考訳（メタデータ） (2024-10-22T08:17:20Z)
• Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations [0.0]
  本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。 我々は,演算子推論(OpInf)に着目し,そのようなシミュレーションデータから低コストな物理ベースのROMを構築する。
  論文  参考訳（メタデータ） (2024-01-11T15:20:06Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)

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。