神经网络量子态(NQS)是强大的神经网络类,它已成为通过变异原理透镜研究量子多体物理学的有前途的工具。 众所周知,这些架构可以通过增加参数的数量来系统地进行改进。 在这里,我们演示了一个自适应方案,通过循环神经网络(RNN)的例子来优化NQS,使用一小部分计算成本,同时减少训练波动,提高针对一空间和双空间维度原型模型地面状态的变异计算质量。 这种自适应技术通过训练小型RNN并重复使用它们来初始化更大的RNN来降低计算成本。 这项工作为优化部署在大规模 NQS 模拟中的图形处理单元 (GPU) 资源开辟了可能性。
我们开发了一个深度变异自由能框架,以计算热致密物质区域中氢的状态方程。 该方法使用三个深生成模型对有限温度下氢核和电子的变异密度矩阵进行参数化:一个表示经典原子核的玻尔兹曼分布的正态流模型,一个模拟激发态电子分布的自回归变压器,以及一个排列等变量流模型,该模型为Hartree-Fock轨道中的电子构建回流坐标。 通过联合优化三个神经网络以最小化变异自由能,我们获得了致密氢的状态方程和相关热力学特性。 我们将我们的结果与氘Hugoniot曲线上的其他理论和实验结果进行比较,旨在解决现有的差异。 计算的结果为温暖致密物质区域的氘提供了宝贵的基准。
与热力学负载故障相关的焊接联合可靠性是一个至关重要但物理上复杂的工程问题。 因此,模拟行为往往在计算上是昂贵的。 在数据驱动日益全球化的世界中,使用高效的数据驱动设计方案是一个受欢迎的选择。 其中,带高斯工艺回归的贝叶斯优化(BO)是最重要的代表之一。 作者认为,计算节省可以通过利用彻底的代理建模和根据多种获取功能选择设计候选者来获得。 这是可行的,因为计算成本相对较低,与昂贵的模拟目标相比。 本文通过提供和实施一个新的启发式框架,在各种优化迭代中使用自适应超参数执行BO,从而解决了相邻文献中的缺点。 随后,当面临合成目标最小化问题时,自适应BO与常规BO进行比较。 结果显示,当比较任何表现最差的常规贝叶斯计划时,适应性BO的效率。 作为工程用例,通过最小化循环热负载下累积的非线性蠕变应变来解决焊料接头可靠性问题。 结果显示,自适应BO优于常规BO 3
我们考虑具有偏移等距的偏微分方程的数据驱动还原顺序模型。 移位等效系统通常允许旅行解决方案,我们方法的主要思想是在旅行参考框架中代表解决方案,其中可以通过相对较少的基础函数来描述它。 现有的运算推理方法允许人们直接从数据中近似一个低阶模型,而不知道全序动力学。 我们的方法增加了额外的术语,以确保还原顺序模型不仅近似于解决方案的空间冻结轮廓,而且还估计该配置文件的函数的行进速度。 我们使用Kuramoto-Sivashinsky方程验证了我们的方法,Kuramoto-Sivashinsky方程是一个一维偏微分方程,显示旅行解决方案和时空混沌。 结果表明,我们的方法可以稳健地捕获旅行解决方案,并且通过标准操作员推理方法提高了数值稳定性。
我们提出了一个神经网络框架,用于解决具有流入边界条件的固定线性传输方程。 该方法代表使用神经网络的解决方案,并通过拉格朗日乘数施加边界条件,基于受经典Uzawa算法启发的马鞍点公式。 该计划是无网状的,与自动分化兼容,并自然地延伸到散射和异构介质的问题。 我们建立连续体配方的收敛,并分析二次误差,神经近似和离散实现中不精确的优化的影响。 数字实验表明,该方法捕获各向异的传输,强制执行边界条件并准确解决散射动力学。
神经网络量子态(NQS)是强大的神经网络类,它已成为通过变异原理透镜研究量子多体物理学的有前途的工具。 众所周知,这些架构可以通过增加参数的数量来系统地进行改进。 在这里,我们演示了一个自适应方案,通过循环神经网络(RNN)的例子来优化NQS,使用一小部分计算成本,同时减少训练波动,提高针对一空间和双空间维度原型模型地面状态的变异计算质量。 这种自适应技术通过训练小型RNN并重复使用它们来初始化更大的RNN来降低计算成本。 这项工作为优化部署在大规模 NQS 模拟中的图形处理单元 (GPU) 资源开辟了可能性。
我们开发了一个深度变异自由能框架,以计算热致密物质区域中氢的状态方程。 该方法使用三个深生成模型对有限温度下氢核和电子的变异密度矩阵进行参数化:一个表示经典原子核的玻尔兹曼分布的正态流模型,一个模拟激发态电子分布的自回归变压器,以及一个排列等变量流模型,该模型为Hartree-Fock轨道中的电子构建回流坐标。 通过联合优化三个神经网络以最小化变异自由能,我们获得了致密氢的状态方程和相关热力学特性。 我们将我们的结果与氘Hugoniot曲线上的其他理论和实验结果进行比较,旨在解决现有的差异。 计算的结果为温暖致密物质区域的氘提供了宝贵的基准。
与热力学负载故障相关的焊接联合可靠性是一个至关重要但物理上复杂的工程问题。 因此,模拟行为往往在计算上是昂贵的。 在数据驱动日益全球化的世界中,使用高效的数据驱动设计方案是一个受欢迎的选择。 其中,带高斯工艺回归的贝叶斯优化(BO)是最重要的代表之一。 作者认为,计算节省可以通过利用彻底的代理建模和根据多种获取功能选择设计候选者来获得。 这是可行的,因为计算成本相对较低,与昂贵的模拟目标相比。 本文通过提供和实施一个新的启发式框架,在各种优化迭代中使用自适应超参数执行BO,从而解决了相邻文献中的缺点。 随后,当面临合成目标最小化问题时,自适应BO与常规BO进行比较。 结果显示,当比较任何表现最差的常规贝叶斯计划时,适应性BO的效率。 作为工程用例,通过最小化循环热负载下累积的非线性蠕变应变来解决焊料接头可靠性问题。 结果显示,自适应BO优于常规BO 3
我们考虑具有偏移等距的偏微分方程的数据驱动还原顺序模型。 移位等效系统通常允许旅行解决方案,我们方法的主要思想是在旅行参考框架中代表解决方案,其中可以通过相对较少的基础函数来描述它。 现有的运算推理方法允许人们直接从数据中近似一个低阶模型,而不知道全序动力学。 我们的方法增加了额外的术语,以确保还原顺序模型不仅近似于解决方案的空间冻结轮廓,而且还估计该配置文件的函数的行进速度。 我们使用Kuramoto-Sivashinsky方程验证了我们的方法,Kuramoto-Sivashinsky方程是一个一维偏微分方程,显示旅行解决方案和时空混沌。 结果表明,我们的方法可以稳健地捕获旅行解决方案,并且通过标准操作员推理方法提高了数值稳定性。
我们提出了一个神经网络框架,用于解决具有流入边界条件的固定线性传输方程。 该方法代表使用神经网络的解决方案,并通过拉格朗日乘数施加边界条件,基于受经典Uzawa算法启发的马鞍点公式。 该计划是无网状的,与自动分化兼容,并自然地延伸到散射和异构介质的问题。 我们建立连续体配方的收敛,并分析二次误差,神经近似和离散实现中不精确的优化的影响。 数字实验表明,该方法捕获各向异的传输,强制执行边界条件并准确解决散射动力学。
作为保守平滑粒子流体力学(SPH)方法的主要挑战之一,零序一致性问题,尽管被认为可以通过粒子正则化方案(如运输速度公式)来缓解,显着抑制了长通道中的流量,用于层流和湍流模拟。 在这一发现的基础上,本文不仅彻底分析了这种压力驱动的通道流中的阻尼原因,而且还将这个问题与重力驱动自由表面流中的过度数值耗散联系起来。 两种典型流动情景中非物理数值阻尼的常见根源,即零序梯度一致性残留物,暴露出来。 背景压力对两种情景的残留的不利影响被揭示和讨论。 为了全面了解残留物的行为并减轻其潜在的不利影响,我们同时进行理论分析和数值实验,重点关注关键敏感因素。 为了研究重力驱动自由表面流动中的残留诱导的非物理能量耗散,测试了粘结性常波箱中的水深和输入动态压力。 为了研究压力驱动通道流中的速度损失,我们检查通道长度、分辨率和出口压力的影响。 针对两种典型流引入了最先进的反向内核梯度校正技术,并证明对减少残留效应有效,但我们发现其校正能力从根本上受到限制。 最后,经过测试,FDA喷嘴,一个工程基准,以证明在复杂的几何形状中的残留影响,突出了在具有不可避免的高背景压力下的校正方案的必要性。
这项工作为 TE 散射的远期问题提出了修改域积分方程方法,采用介电对比度的修改定义,并使用 Rao-Wilton-Glisson (RWG) 基础函数对电场密度进行离散。 拟议的公式减轻了梯度-多样性操作者在传统电场矢量配方中引入的数字挑战。 在三角形网格上使用RWG基础功能可增强几何一致性,确保介电界面的切向连续性,并促进在数值精度方面应用众所周知的奇点提取技术。 通过双层介电缸上的数值实验进行验证,证明了计算和分析分散场之间的良好一致性。 融合研究证实,通过网格改进提高了解决方案的准确性,表明在不增加迭代的情况下,在离散化方面具有稳健性。
本文提出了一种改进的技术,通过考虑线圈中的皮肤和接近效应来解决磁感应断层扫描(MIT)中的逆问题。 麻省理工学院是一种非接触式、非侵入性和低成本的成像模式,用于获得物体内电导率的分布。 麻省理工学院对低电导率分布的重建需要更准确的技术,因为测量信号本质上是弱的,重建问题是高度非线性和不良的。 麻省理工学院的逆问题研究忽略了前向方法中线圈内的皮肤和接近效果。 在这篇文章中,改进的技术将这些效果纳入前进方法。 此外,它采用正则化的高斯-牛顿算法来重建电导率分布。 正则化参数是通过自适应方法使用两个输入参数获得的:一个系数和一个初始电导率分布。 新的Jacobian矩阵基于标准技术计算。 为了比较具有低导电性区域的可能医疗和工业应用中的早期和改进的前进方法,对2D 8线圈MIT系统进行了建模,并为合成幻影进行了图像重建。 结果表明,使用改进的前进方法重建绝对导电性值至关重要。
目前,正在使用基于分子模拟的基于分子的分子模拟数据在单个顺序参数(OP)上的预设截止点进行鉴定,以定义成核或结晶区域。 除了对切断的敏感性外,这些OP中的每个都引入了自己的系统性偏见。 在这项研究中,提出了集成的机器学习工作流程,使用原子分子动力学数据来准确量化聚合物系统中的结晶性。 每个原子都由高维特征矢量表示,该矢量结合了几何,热力学样和基于对称的描述符。 低维嵌入用于在原子环境中暴露潜在的结构指纹。 随后,在嵌入物上的无监督聚类确定了具有高保真度的晶体和无定形原子。 在生成具有多维数据的高质量标签后,我们使用监督学习技术来识别一组可以完全捕获此标签的最小顺序参数。 进行了各种测试以减少特征集,证明仅使用三个顺序参数就足以重新创建结晶标签。 基于这些观察到的OP,结晶度指数(C-index)被定义为逻辑回归模型的结晶概率,在整个过程中保持双模态并实现超过0.98的分类性能(AUC)。 值得注意的是,在一个或多个快照上训练的模型可以实现晶体的高效实时计算。 最后,我们展示了最佳的C-指数拟合如何在结晶的各个阶段演变,支持熵主导早期成核的假设,而对称性在以后获得相关性。 该工作流程为OP选择提供了数据驱动策略,并提供了监控大规模聚合物模拟中结构转换的指标。
机器学习间原子电位(MLIP)实现了高效的分子动力学(MD)模拟,具有ab initio的准确性,并在物理科学的各个领域应用。 然而,它们的性能往往依赖于大规模标记的训练数据。 虽然现有的预训练策略可以提高模型性能,但它们经常受到预训练和下游任务目标之间的不匹配,或者依靠广泛的标记数据集和日益复杂的架构来实现广泛的泛化。 为了应对这些挑战,我们提出了用于跨原子电位的迭代预训练(IPIP),这是一个旨在迭代提高MLIP模型预测性能的框架。 IPIP包含一个遗忘机制,以防止迭代训练从融合到次优的局部最小值。 与通用基础模型不同,由于通用和系统特定精度之间的权衡,这些模型在特殊任务上经常表现不佳,IPIP使用轻量级架构实现了更高的精度和效率。 与通用力场相比,这种方法实现了80多个
电动机器的参数代理模型被广泛用于高效的设计优化和操作监控。 解决几何变化,基于 spline 的计算机辅助设计表示起着关键作用。 在这项研究中,我们提出了一种新的方法,该方法结合了等位分析,适当的正交分解和深度学习,通过直接学习样线基础系数来实现快速和物理一致的预测。 该方法的有效性使用永磁同步机的参数非线性磁静态模型进行演示。
介绍了基于监督机器学习(ML)的计算方法,用于设计具有所需导热性(TC)的颗粒多功能复合材料。 设计变量是材料微观结构的物理描述符,直接将微观结构与材料的性质联系起来。 基于Sobol序列生成了一个足够大且均匀采样的数据库。 微结构是使用高效的密集包装算法实现的,TC是使用我们之前开发的Fast Fourier Transform(FFT)同质化方法获得的。 我们优化的 ML 方法通过生成的数据库进行训练,并建立了结构和属性之间的复杂关系。 最后,讨论了经过训练的ML模型在一种新型复合材料的逆向设计中的应用,即液态金属(LM)弹性体,并期望TC。 结果表明,替代模型在预测高保真FFT模拟的微观结构行为方面是准确的,逆向设计在根据案例研究找到微观结构参数方面是稳健的。
我们提出了一个扩展的神经相邻(ENA)框架,它符合人工智能辅助光学多层薄膜(OMT)逆设计的六个关键标准:准确性,效率,多样性,可扩展性,灵活性和可解释性。 为了增强现有神经辅助方法的可扩展性,我们提出了一种新的OMT的向前神经网络架构,并将材料损失函数引入现有的神经相邻损耗函数,促进了OMTs的材料配置的探索。 此外,我们还介绍了向前神经网络架构(F-RAM)的回归激活映射的详细公式,这是一种旨在提高可解释性的特征可视化方法。 我们通过进行消融研究验证了物质损失的功效,其中损失功能的每个组件都被系统地移除和评估。 结果表明,材料损失的纳入显着提高了准确性和多样性。 为了证实基于ENA的逆设计的性能,我们将它与基于剩余网络的全球优化网络(Res-GLOnet)进行了比较。 与Res-GLOnet相比,ENA采用了逆向设计的OMT解决方案,具有更高的精度和更好的多样性。 为了证明可解释性,我们将F-RAM应用于具有类似光学特性的多种OMT结构,通过拟议的ENA方法获得。 我们表明,尽管材料配置、层数和厚度不同,但具有类似光学特性的各种 OMT 结构具有特征重要性的分布是一致的。 此外,我们通过将初始层OMTs限制为SiO2和100nm,证明了ENA方法的灵活性。
量子计算为模拟某些物理系统提供了潜在的指数加速,但它对非线性动力学的应用本质上受到统一进化要求的限制。 我们提出了量子库普曼方法(QKM),这是一种数据驱动的框架,通过将非线性动力学转化为高维可观测空间中的线性单向进化来弥合这一差距。 利用库普曼运算理论来实现全球线性化,我们的方法是使用深度自动编码器将希尔伯特空间的层次结构映射到。 在线性化的嵌入空间中,状态表示被分解为模数和相位组件,并且演变由一组仅在相位上起作用的单元库曼运算符管理。 这些运算符由对角线的Hamiltonians构建,具有从数据中学习的系数,这是一种为在量子硬件上有效实施而设计的结构。 这种架构可以实现直接的多步骤预测,并且操作员的计算复杂性与可观测的空间维度对数进行对数扩展。 QKM 在不同的非线性系统中进行了验证。 其预测保持相对误差低于6
我们表明,生成对抗网络(GAN)可能会有效地利用来学习随机动力学,在捕捉热波动的同时推测传统模型。 具体来说,我们将应用展示到二维,多粒子系统,重点关注表面步向波动和相关的时间依赖性粗糙度。 在构建基于Kinetic Monte Carlo模拟的数据集后,对条件GAN进行了训练,以及时传播系统的状态,从而能够以较低的计算成本生成新序列。 讨论了标准GAN的修改,这些修改有助于融合和提高准确性。 训练后的网络被证明可以定量地再现平衡和动力学特性,包括缩放定律,偏离确切值的几个百分点。 推断限制和未来前景进行了批判性的讨论。
数据驱动的可解释模型的发现近似于物理系统的潜在动态,在过去十年中获得了吸引力。 目前的方法采用预先指定的功能形式或基础功能,通常导致缺乏物理意义和可解释性的模型,更不用说代表系统的真实物理了。 我们提出了一个无监督的参数估计方法,首先找到一个近似的一般解决方案,然后进行样线变换,以线性估计调节普通微分方程(ODE)的系数。 近似的一般解决方案假设使用与一般均匀、线性、恒定系数ODE的分析解决方案相同的功能形式。 一个额外的优势是它能够产生高保真,平滑的功能形式,即使在嘈杂的数据存在。 样条近似值从线性独立的功能形式中获取梯度信息,并创建梯度矩阵的基础。 这种梯度矩阵用于线性系统,以查找ODE的系数。 从案例研究中,我们观察到我们的建模方法具有高精度的ODE,并且还可以在不使用任何正则化技术的情况下促进溶液中的稀有性。 该方法对嘈杂的数据也很健壮,因此允许将数据驱动的技术集成到数据驱动的物理现象学习的真实实验环境中。
我们为光子波导中高效、准确地计算共振模式提供了框架。 该框架基于AAA合理近似与特殊光源的应用。 它允许一个人只计算相关的模式,例如波导中心核心中定位的基本共振模式。 我们使用文献中的一个例子,即中芯光子晶体纤维,演示了框架。 此波导支持许多其他模式,如覆层模式和高阶模式。 这些不相关的模式不计算,因此不需要使用模式过滤进行具有挑战性的后处理。
材料科学本质上跨越学科:实验者使用先进的显微镜来揭示微观和纳米级结构,而理论家和计算科学家则开发将处理,结构和属性联系起来的模型。 弥合这些领域对于逆材料设计至关重要,您可以从所需的性能开始,向后工作到最佳的微观结构和制造路线。 将高分辨率成像与预测模拟和数据驱动优化相结合,可加速发现并加深对过程-结构-属性关系的理解。 可微分的物理框架 evoxels 基于完全 Pythonic,统一的基于 voxel 的方法,该方法集成了分割的 3D 显微镜数据、物理模拟、逆建模和机器学习。
本文介绍了用于可压缩流模拟的广义ENO(GENO)型非线性重建方案。 拟议的重建保留了线性方案的准确性,同时保持了不连续的基本上非振荡行为。 通过概括ENO方案的自适应哲学,该方法采用了平滑路径函数,将高阶线性重建与可靠的低阶替代方案直接连接。 这种直接自适应方法大大简化了非线性方案的构建,特别是对于非结构化网格上的高阶方法。 与各种WENO方法的比较分析证明了拟议重建的可靠性和准确性,该重建提供了基于模板平滑度的所有限制情况的线性和非线性重建之间的最佳过渡。 GENO重建的一致性和性能通过在高阶紧凑型气动力学方案(GKS)和非紧凑型黎曼求解器方法中实现来验证。 基准测试证实了GENO的稳健性和冲击捕捉能力,与紧凑型方案集成时具有特别卓越的性能。 这项工作推进了非线性方案的构建方法,并将ENO型重建作为工程应用的成熟实用方法。
超导磁体的热瞬态响应可以使用有限元(FE)方法进行模拟。 一些加速器磁铁使用电缆,其电绝缘比光秃秃的电导体要薄得多。 用高质量的网格对此类几何形状进行 FE 离散化,导致许多自由度。 这增加了计算时间,特别是因为涉及非线性材料特性。 在这项工作中,我们建议使用热薄壳近似(TSA)来提高在以二维中求散热方程时的计算效率。 我们应用该方法计算用于CERN大型强子对撞机(LHC)和高发光LHC的超导加速器磁铁的热瞬态响应。 TSA将薄薄的电气绝缘层坍塌成线,同时准确地表示绝缘厚度的热梯度。 TSA是在开源有限元素淬火模拟器(FiQuS)的多极模块中实现的,该模块可以从输入文本文件以编程方式生成多极磁铁模型。 首先,TSA方法通过与传统的FE模拟进行验证,具有网状表面绝缘区域,用于简单的四根电缆块和MBH偶极子的详细模型。 结果表明,TSA方法显著减少了计算时间,同时保持了解决方案的准确性。 其次,使用TSA方法计算的淬火加热器(QH)延迟与MBH磁铁的测量值进行比较。 为此,热瞬态模拟与磁静性溶液耦合,以考虑磁阻效应。 第三,TSA的全部能力在几种LHC和HL-LHC超导磁体模型的非线性磁热模拟中展示。 完整的源代码,包括所有输入文件,是公开的。
