論文の概要: Asymptotic-Preserving Tensor Neural Networks for 3D High-Field Kinetic Equations with Applications to Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2611.07364v1
- Date: Thu, 05 Nov 2026 02:58:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.497519
- Title: Asymptotic-Preserving Tensor Neural Networks for 3D High-Field Kinetic Equations with Applications to Uncertainty Quantification
- Title(参考訳): 3次元高次元運動方程式に対する漸近保存型テンソルニューラルネットワークとその不確実性量子化への応用
- Abstract要約: 高磁場状態における運動方程式は、電場加速と衝突緩和に支配される粒子輸送を記述する。
これらの方程式はプラズマや半導体デバイスのシミュレーションに広く用いられている。
それらの高次元とマルチスケールの性質は、正確で効率的な解に対する大きな課題の2つを生んでいる。
- 参考スコア(独自算出の注目度): 39.740772144144366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Kinetic equations in the high-field regime describe particle transport dominated by electric-field acceleration and collisional relaxation. These equations are widely used in simulations of plasmas and semiconductor devices. Typical models include the Vlasov--Poisson--Fokker--Planck (VPFP) and Boltzmann--Poisson systems. Their high dimensionality and multiscale nature pose two of the major challenges to accurate and efficient numerical solution. To address these challenges, we propose an asymptotic-preserving tensor neural network (APTNN) method. Specifically, to reduce high-dimensional computational costs and memory requirements, we adopt the canonical polyadic (CP) decomposition structure of TNNs to approximate their solutions. We show that the equation residuals retain this decomposition form, allowing high-dimensional loss integrals to be evaluated through combinations of one-dimensional integrals. The resulting computational and storage costs are reduced from exponential to polynomial growth with dimension. To improve the prediction accuracy in the high-field limit, we enhance the baseline AP loss by incorporating the first moment equation. The added loss term directly constrains the limiting flux closure to reduce its approximation error in the high-field regime. The enhanced AP loss can still be evaluated dimension-wise. Numerical results show that APTNN improves prediction accuracy in the high-field regime with significantly reduced computational costs and memory usage. For a 3D3V VPFP problem with multiple random inputs, training takes less than 30 minutes on a single GPU.
- Abstract(参考訳): 高磁場状態における運動方程式は、電場加速と衝突緩和に支配される粒子輸送を記述する。
これらの方程式はプラズマや半導体デバイスのシミュレーションに広く用いられている。
典型的なモデルとしては、Vlasov--Poisson--Fokker-Planck (VPFP) やボルツマン-Poisson などがある。
それらの高次元とマルチスケールの性質は、正確かつ効率的な数値解に対する大きな課題の2つを生んでいる。
これらの課題に対処するために, 漸近保存型テンソルニューラルネットワーク (APTNN) を提案する。
具体的には、高次元計算コストとメモリ要件を低減するため、TNNの正準ポリアディック分解構造を採用し、その解を近似する。
方程式残差がこの分解形式を保ち、高次元の損失積分を1次元積分の組み合わせで評価できることを示す。
計算と記憶のコストは指数関数的に次元の多項式成長に還元される。
高磁場限界における予測精度を向上させるため、第1モーメント方程式を組み込むことでベースラインAP損失を向上させる。
付加損失項は、高磁場状態における近似誤差を減らすために、限界フラックス閉包を直接制約する。
拡張AP損失は次元的に評価できる。
数値計算の結果,APTNNは計算コストとメモリ使用量を大幅に削減し,ハイフィールド方式の予測精度を向上することがわかった。
複数のランダム入力を持つ3D3V VPFP問題の場合、トレーニングは1つのGPU上で30分未満で済む。
関連論文リスト
- Scalable Stress-Constrained Topology Optimization: A Simultaneous Approach Based on Machine Learning [6.456921673759335]
大規模トポロジー最適化(TO)は、特にストレスに制約のある問題に対して、計算的に要求される。
我々は、状態、随伴、設計変数をカスタムニューラルネットワーク(NN)で表現するSNTOフレームワークを提案する。
私たちのNNは、ストレスに制約されたTOにとって重要なシャープな勾配と境界を捕捉しながら収束を加速するユニークなアーキテクチャを持っています。
論文 参考訳(メタデータ) (2026-10-20T12:52:59Z) - Stochastic-Dimension Frozen Sampled Neural Network for High-Dimensional Gross-Pitaevskii Equations on Unbounded Domains [0.0]
非有界領域上の高次元グロス・ピタエフスキー方程式(GPE)のクラスを解くための凍結サンプリングニューラルネットワーク(SD-FSNN)を提案する。
SD-FSNNはすべての次元に偏りがなく、計算コストは次元に依存しない。
論文 参考訳(メタデータ) (2026-04-10T14:31:36Z) - Physics-informed neural particle flow for the Bayesian update step [0.8220217498103312]
本稿では,物理インフォームド・ニューラル粒子フローを提案する。
制御偏微分方程式(PDE)を損失関数に埋め込むことで、ニューラルネットワークをトレーニングして輸送速度場を近似する。
ニューラルネットワークのパラメータ化は暗黙の正則化器として機能し,解析フローに固有の剛性を緩和することを示した。
論文 参考訳(メタデータ) (2026-02-26T15:10:45Z) - Adaptive Probability Flow Residual Minimization for High-Dimensional Fokker-Planck Equations [14.22534820071447]
高次元のフォッカー・プランク方程式を解くことは、計算物理学と力学の課題である。
物理情報ニューラルネットワークのような既存のディープラーニングアプローチは、次元が増加するにつれて計算上の課題に直面している。
本稿では,適応確率フロー残差最小化法(A-PFRM)を提案する。
論文 参考訳(メタデータ) (2025-12-22T09:31:31Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。
ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
論文 参考訳(メタデータ) (2022-06-19T14:41:08Z) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳(メタデータ) (2022-02-18T18:07:54Z)
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。