放射輸送方程式に対する機械学習によるモーメント閉じ込めモデル IV: 二次元における対称化可能な双曲性を強制すること

arXiv:2604.20143v1 Announce Type: cross 要旨：本研究は、放射輸送方程式（RTE）に対する機械学習（ML）モーメント閉じ込めモデルに関するシリーズの第 4 報告書である。最初の 3 つの論文では、我々は 1 次元物理空間と 1 次元角度空間（1D1V）のスラブ幾何形において RTE を検討し、グラデントベースの ML モーメント閉じ込め [1] を導入した。その後、対称化子を介して双曲性を強制 [2] するか、あるいは物理特性速度と組み合わせてヤコビ行列の固有値を学習することで対処した [3]。 ここで、我々は該框架を 2 次元物理空間と 2 次元角度空間（2D2V）における RTE に拡張する。主要なアイデアは、古典的な $P_N$ モデルの主導部分を保存し、かつ最高階のブロック行のみを変更することにある。$P_N$ モデルの構造的性質を分析することで、その係数行列が対称であるだけでなく、ブロック対角線状構造を持つことを示した。そして、この性質を利用して ML モーメントモデルに対してブロック対角線の対称化子を導入し、生成された ML システムの対称化可能な双曲性を保証する閉じ込めブロックに関する明示的な代数的条件を導出した。これらの条件は、対称正定定数行列と共に対称閉じ込めブロックを用いて閉じ込めを自然にパラメータ化することを導き、これはデータを学習することによって、対称化可能な双曲性を自動的に構成によって強制しながら行われる。数値結果は、提案されたフレームワークが古典的な $P_N$ モデルを超過しながら双曲性を維持していることを示している。

arXiv:2604.20143v1 Announce Type: cross Abstract: This is our fourth work in the series on machine learning (ML) moment closure models for the radiative transfer equation (RTE). In the first three papers of this series, we considered the RTE in slab geometry in 1D1V (i.e. one dimension in physical space and one dimension in angular space), and introduced a gradient-based ML moment closure [1], then enforced the hyperbolicity through a symmetrizer [2], or together with physical characteristic speeds by learning the eigenvalues of the Jacobian matrix [3]. Here, we extend our framework to the RTE in 2D2V (i.e. two dimensions in physical space and two dimensions in angular space). The main idea is to preserve the leading part of the classical $P_N$ model and modify only the highest-order block row. By analyzing the structural properties of the $P_N$ model, we show that its coefficient matrices are symmetric and admit a block-tridiagonal structure. Then we use this property to introduce a block-diagonal symmetrizer for the ML moment model and derive explicit algebraic conditions on the closure blocks which guarantee the symmetrizable hyperbolicity of the resulting ML system. These conditions lead to a natural parametrization of the closure in terms of a symmetric positive definite matrix together with symmetric closure blocks, which can be learned from data while automatically enforcing symmetrizable hyperbolicity by construction. The numerical results show that the proposed framework improves upon the classical $P_N$ model while maintaining hyperbolicity.