論文の概要: Black Hole Love Numbers with Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2611.02084v1
• Date: Sun, 01 Nov 2026 17:45:15 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:06:08.456923
• Title: Black Hole Love Numbers with Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークによるブラックホール愛数
• Abstract要約: 摂動方程式から直接ブラックホールの潮流ラブ数を計算するための物理インフォームドニューラルネットワーク(PINN)フレームワークを開発し,検証する。 我々は,Kerrブラックホールの静的摂動について考察する。この超幾何解は数値解法と物理応答の抽出の両方に対して制御されたベンチマークを提供する。
• 参考スコア（独自算出の注目度）: 4.250349164770596
• License:
• Abstract: We develop and validate a physics-informed neural network (PINN) framework for computing the tidal Love numbers of black holes directly from their perturbation equations. We consider static perturbations of the Kerr black hole, whose exact hypergeometric solutions provide a controlled benchmark for both the numerical solver and the extraction of the physical response. The framework combines exact enforcement of the horizon boundary conditions with an $H^2$-Sobolev loss that incorporates derivatives of the differential-equation residual. The Love number is then obtained by extracting the asymptotic coefficients of the learned solution, without using the analytic connection formula. Across the tested scalar, vector, and tensor perturbations, the method recovers the finite dissipative response with relative errors below $10^{-5}$. Controlled comparisons show that the higher-derivative loss terms improve solution accuracy by orders of magnitude, while independent tests of the extraction procedure distinguish solver errors from errors in recovering the response coefficients. The conservative response, which vanishes analytically, is constrained by the numerical error floor. These results demonstrate that PINNs can accurately compute black-hole tidal response and establish a validated framework for future extensions to frequency-dependent and non-separable perturbation problems.
• Abstract（参考訳）: 摂動方程式から直接ブラックホールの潮流ラブ数を計算するための物理インフォームドニューラルネットワーク(PINN)フレームワークを開発し,検証する。 我々は,Kerrブラックホールの静的摂動について考察する。この超幾何解は数値解法と物理応答の抽出の両方に対して制御されたベンチマークを提供する。 このフレームワークは、水平境界条件の厳密な強制と微分方程式の微分を組み込んだ$H^2$-ソボレフ損失を組み合わせている。 そして、分析接続公式を使わずに、学習した解の漸近係数を抽出して愛数を求める。 試験されたスカラー、ベクトル、テンソルの摂動の中で、この方法は相対誤差が 10^{-5}$ 以下の有限散逸応答を回復する。 制御された比較の結果,高い導出損失項は解の精度を桁違いに向上する一方,抽出手順の独立な試験では解法誤差と応答係数の回復の誤差を区別することがわかった。 解析的に消滅する保守的応答は数値誤差フロアによって制約される。 これらの結果から, PINNはブラックホールの潮流応答を正確に計算し, 周波数依存性および非分離性摂動問題に対する将来の拡張のための検証済みの枠組みを確立することができた。

関連論文リスト

• Linearized PINN with pretrained nonlinear layers [48.01541150431857]
  lPINNは、前方および逆微分方程式の低次ニューラルネットワーク基底法である。 我々は, 対流拡散方程式, バーガーズ方程式, 非線形振り子方程式に対する逆問題に対する lPINN の評価を行った。
  論文  参考訳（メタデータ） (2026-09-14T02:18:00Z)
• PDE-constrained inverse problems at the $\sqrt{n}$ rate via debiased physics-informed neural networks [4.577811995776525]
  物理インフォームドニューラルネットワーク(PINN)を用いてPDE解を近似したノイズ観測から,PDE制約逆問題における未知パラメータの推定問題について検討する。 本稿では,ニューラルネットワークに基づく非制約推定と影響関数に基づくバイアス補正を組み合わせた2段階のデバイアス推定手法を提案する。
  論文  参考訳（メタデータ） (2026-09-11T00:13:27Z)
• A Physics-Informed Neural Network with a Modified Lorentzian Activation for Nonlocal Gradient-Flow Equations in Dynamic Density Functional Theory [0.8602553195689513]
  非局所偏微分方程式のための物理インフォームドニューラルネットワーク(PINN)フレームワークを開発した。 これらの方程式は非線形性、非局所相互作用項、基礎となる勾配-流れ構造を含む。 我々は、PINN法をDDFT勾配流方程式に適用し、2つの計算成分を導入する。
  論文  参考訳（メタデータ） (2026-06-24T22:01:13Z)
• Quantifying Uncertainty In Wide Two-Layer Neural Networks: On The Law Of The Limiting Fluctuation Process [3.0171175820634826]
  ニューラルネットワーク予測における不確かさの定量化は、通常のアプリケーションでは大きな問題である。 提案手法では,PDEの分散情報を用いて不確実性を直接評価することにより,コスト削減を図る。 そこで我々は,勾配降下法により訓練された広帯域2層ニューラルネットワークの平均場限界付近のランダムなゆらぎを記述する制限過程の法則について検討した。
  論文  参考訳（メタデータ） (2026-06-04T10:25:23Z)
• Building Trust in PINNs: Error Estimation through Finite Difference Methods [52.92887996882041]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を解くための柔軟な深層学習手法である その柔軟性にもかかわらず、PINNは、彼らの予測が真の解決策から逸脱し、彼らの予測品質への信頼を妨げる方法について、限られた洞察を提供する。 本稿では,PINN予測のためのポイントワイズ誤差推定を行うことにより,このギャップに対処する軽量なポストホック手法を提案する。
  論文  参考訳（メタデータ） (2026-03-16T16:51:42Z)
• DInf-Grid: A Neural Differential Equation Solver with Differentiable Feature Grids [73.28614344779076]
  我々は、微分方程式(DE)を効率的に解くための微分可能グリッドベース表現を提案する。 その結果,座標法よりも5～20倍の高速化を実現し,差分方程式を数秒または数分で解き,精度とコンパクト性を維持した。
  論文  参考訳（メタデータ） (2026-01-15T18:59:57Z)
• Randomized Physics-Informed Machine Learning for Uncertainty Quantification in High-Dimensional Inverse Problems [49.1574468325115]
  本研究では,高次元逆問題における不確実性定量化のための物理インフォームド機械学習手法を提案する。 我々は解析的に、そして、ハミルトン・モンテカルロとの比較を通して、rPICKLE はベイズ則によって与えられる真の後続に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-11T07:33:16Z)
• Noise-Free Sampling Algorithms via Regularized Wasserstein Proximals [3.4240632942024685]
  ポテンシャル関数が支配する分布からサンプリングする問題を考察する。 本研究は, 決定論的な楽譜に基づくMCMC法を提案し, 粒子に対する決定論的進化をもたらす。
  論文  参考訳（メタデータ） (2023-08-28T23:51:33Z)
• Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
  急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。 本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
  論文  参考訳（メタデータ） (2022-08-18T05:00:24Z)
• Variational Physics Informed Neural Networks: the role of quadratures and test functions [0.0]
  変分物理学インフォームドニューラルネットワーク(VPINN)の収束率に異なる精度のガウスあるいはニュートン・コートの二次規則と異なる等級の分数的テスト関数がどう影響するかを解析する。 Inf-sup条件に依存したペトロフ・ガレルキンの枠組みを用いて、計算されたニューラルネットワークの最適高次分数補間と正確な解のエネルギーノルムの優先誤差を推定する。
  論文  参考訳（メタデータ） (2021-09-05T10:06:35Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。