論文の概要: Extracting Single-Mode Rayleigh--Taylor Instability dynamics from data via SINDy
- arxiv url: http://arxiv.org/abs/2611.07666v1
- Date: Thu, 05 Nov 2026 08:48:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.608956
- Title: Extracting Single-Mode Rayleigh--Taylor Instability dynamics from data via SINDy
- Title（参考訳）: SINDyを用いた単一モードレイリー-テイラー不安定ダイナミクスの抽出
- Abstract要約: レイリー・テイラー不安定(レイリー・テイラー不安定、英: Rayleigh-Taylor Instability、RTI)は、慣性凝縮核融合や超新星爆発のような分野において基本的な重要性を持つ。
この研究は、従来のポテンシャルフローと浮力-ドラグモデルに補完する、物理に制約のある、データ駆動のフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 1.9142374694816924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rayleigh-Taylor instability (RTI) is of fundamental importance in fields such as inertial confinement fusion and supernova explosions, and its evolution is commonly described by potential--flow theory and buoyancy--drag models. However, both types of models struggle to accurately capture the overshoot behavior of bubble and spike velocities, as well as the subsequent reacceleration stage. To address these limitations, we develop a physics-constrained, data-driven framework based on the integral formulation of Sparse Identification of Nonlinear Dynamics (SINDy), which extracts low-dimensional dynamical equations for bubble and spike evolution directly from data. By introducing the nondimensional initial amplitude $A_0 = kη_0$ as an explicit parameter, we identify distinct dynamical equations for the bubble and the spike based on data spanning multiple Atwood numbers and initial amplitudes. The resulting low-dimensional dynamical equations not only reproduce the overshoot behavior of the velocity with good accuracy, but also capture the reacceleration stage well, while maintaining high predictive accuracy at unseen values of the wavenumber, acceleration, and Atwood number. This work provides a physics-constrained, data-driven framework complementary to conventional potential-flow and buoyancy--drag models, accurately describing the dynamical evolution of the bubble and spike at high Atwood numbers, and provides a new perspective for directly extracting the dynamical equations of interfacial instabilities from data.
- Abstract（参考訳）: レイリー・テイラー不安定性(英語版)(RTI)は慣性凝縮核融合や超新星爆発のような分野において基本的な重要性であり、その進化はポテンシャルフロー理論と浮力-ドラグモデルによってよく説明される。
しかし、どちらのモデルもバブルとスパイク速度のオーバーシュート挙動を正確に捉え、その後の再加速段階を正確に捉えるのに苦労している。
これらの制約に対処するため,非線形ダイナミクスのスパース同定 (SINDy) の積分定式化に基づく物理制約付きデータ駆動型フレームワークを開発し,データから直接気泡およびスパイク進化の低次元力学方程式を抽出する。
非次元初期振幅$A_0 = kη_0$を明示的パラメータとして導入することにより、複数のアトウッド数と初期振幅にまたがるデータに基づいて、バブルとスパイクの異なる動的方程式を識別する。
結果として得られる低次元力学方程式は、速度のオーバーシュート挙動を精度良く再現するだけでなく、波数、加速度、アトウッド数の未知の値で高い予測精度を維持しながら、再加速段階をうまく捉えた。
この研究は、従来のポテンシャルフローと浮力-ドラグモデルに補完する物理制約付きデータ駆動型フレームワークを提供し、高アットウッド数での気泡とスパイクの動的進化を正確に記述し、データから界面不安定性の動的方程式を直接抽出する新しい視点を提供する。
関連論文リスト
- A Physics-Informed Neural Network Framework for Elastodynamic Wave Propagation in Bimaterial Systems [2.55052475593932]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式を解くための有望な枠組みを提供する。
本研究では,バイマテリアルシステムにおける一過性エラストダイナミック波伝搬をモデル化するためのPINNベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-07T16:34:55Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Is memory all you need? Data-driven Mori-Zwanzig modeling of Lagrangian particle dynamics in turbulent flows [38.33325744358047]
本研究では,乱流ラグランジアン軌道を短時間の予測に適した精度で発展させることのできる代理力学系をいかに学習できるかを示す。
これにより、例えば乱流における活性ラグランジアン剤の制御など、様々な新しい応用が開かれる。
論文 参考訳（メタデータ） (2025-07-21T20:50:55Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Learning Low-Dimensional Quadratic-Embeddings of High-Fidelity Nonlinear
Dynamics using Deep Learning [9.36739413306697]
データから動的モデルを学ぶことは、エンジニアリング設計、最適化、予測において重要な役割を果たす。
深層学習を用いて高忠実度力学系に対する低次元埋め込みを同定する。
論文 参考訳（メタデータ） (2021-11-25T10:09:00Z) - Physics-aware, probabilistic model order reduction with guaranteed
stability [0.0]
実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。
粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
論文 参考訳（メタデータ） (2021-01-14T19:16:51Z) - Augmenting Physical Models with Deep Networks for Complex Dynamics
Forecasting [34.61959169976758]
APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。
これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
論文 参考訳（メタデータ） (2020-10-09T09:31:03Z)
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。