כתבה
arXiv cs.LG ·
PTNO: טירונים נוירונליים למפענחי חלקיקים עם אסטימטים MC רעשיים לבעיות תעבורה של חלקיקים
PTNO: Training Neural Operators with Noisy Monte Carlo Estimates for Particle Transport Problems
פיתוח טירונים נוירונליים שמגיעים לתוצאות טובות עם חישובי MC רעשיים לבעיות תעבורה של חלקיקים. הטירונים נבנים על ידי חישובי MC רעשיים, ומגיעים לתוצאות טובות יותר מאשר חישובי MC שקיבלו תוצאות טובות. הטירונים נבנים על ידי חישובי MC רעשיים, ומגיעים לתוצאות טובות יותר מאשר חישובי MC שקיבלו תוצאות טובות. הטירונים נבנים על ידי חישובי MC רעשיים, ומגיעים לתוצאות טובות יותר מאשר חישובי MC שקיבלו תוצאות טובות.
תקציר מקורי באנגליתarXiv:2609.40090v2 Announce Type: replace-cross Abstract: Particle transport under multiple scattering is central to radiative transfer and plasma physics, yet high-fidelity Monte Carlo (MC) simulations must trace prohibitively many particles. Learning-based surrogates can amortize this cost, but typically train on expensive, well-converged MC solutions. We propose the Particle Transport Neural Operator (PTNO), a neural operator that learns particle transport surrogates directly from noisy, low-cost MC labels. Such labels pose two challenges: (1) high variance, which destabilizes standard supervised learning, and (2) a high dynamic range (HDR) spanning many orders of magnitude. For the first, we learn the solution operator from noisy labels of many configurations, amortizing MC cost and ge
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית