論文の概要: Turbulence Enrichment using Physics-informed Generative Adversarial
Networks
- arxiv url: http://arxiv.org/abs/2003.01907v2
- Date: Fri, 6 Mar 2020 05:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 13:54:37.404382
- Title: Turbulence Enrichment using Physics-informed Generative Adversarial
Networks
- Title（参考訳）: 物理形生成逆ネットワークを用いた乱流富化
- Authors: Akshay Subramaniam, Man Long Wong, Raunak D Borker, Sravya Nimmagadda,
Sanjiva K Lele
- Abstract要約: 我々は乱流生成法を開発した。
損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。
物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Networks (GANs) have been widely used for generating
photo-realistic images. A variant of GANs called super-resolution GAN (SRGAN)
has already been used successfully for image super-resolution where low
resolution images can be upsampled to a $4\times$ larger image that is
perceptually more realistic. However, when such generative models are used for
data describing physical processes, there are additional known constraints that
models must satisfy including governing equations and boundary conditions. In
general, these constraints may not be obeyed by the generated data. In this
work, we develop physics-based methods for generative enrichment of turbulence.
We incorporate a physics-informed learning approach by a modification to the
loss function to minimize the residuals of the governing equations for the
generated data. We have analyzed two trained physics-informed models: a
supervised model based on convolutional neural networks (CNN) and a generative
model based on SRGAN: Turbulence Enrichment GAN (TEGAN), and show that they
both outperform simple bicubic interpolation in turbulence enrichment. We have
also shown that using the physics-informed learning can also significantly
improve the model's ability in generating data that satisfies the physical
governing equations. Finally, we compare the enriched data from TEGAN to show
that it is able to recover statistical metrics of the flow field including
energy metrics and well as inter-scale energy dynamics and flow morphology.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)は、フォトリアリスティック画像の生成に広く利用されている。
超高解像度GAN(SRGAN)と呼ばれるGANの変種は、解像度の低い画像を4ドル(約4,500円)の高解像度画像にアップサンプリングできる超高解像度画像にすでに成功している。
しかし、そのような生成モデルが物理過程を記述するデータに使用される場合、支配方程式や境界条件を含むモデルが満たさなければならない追加の既知の制約が存在する。
一般に、これらの制約は生成されたデータに従わない。
本研究では,乱流生成のための物理法の開発を行う。
本研究では,生成データに対する制御方程式の残差を最小限に抑えるために,損失関数の修正による物理化学習手法を取り入れる。
我々は,畳み込みニューラルネットワーク(CNN)に基づく教師付きモデルと,SRGANに基づく生成モデル,TEGAN(Turbulence Enrichment GAN)の2つの訓練された物理インフォームモデルを解析し,どちらも乱流エンリッチメントにおいて単純なバイキュビック補間よりも優れていることを示す。
また,物理に変形した学習を用いることで,物理制御方程式を満たすデータ生成におけるモデルの能力を大幅に向上できることを示した。
最後に, TEGANから得られた高密度なデータを比較し, エネルギー指標を含む流れ場の統計的指標と, スケール間エネルギー力学および流れ形態学を再現可能であることを示す。
関連論文リスト
- Generating Synthetic Net Load Data with Physics-informed Diffusion Model [0.8848340429852071]
条件付き認知ニューラルネットワークは、拡散モデルの遷移核のパラメータを共同で訓練するように設計されている。
総合的な評価指標を用いて、生成された合成ネット負荷データの正確性と多様性を評価する。
論文 参考訳（メタデータ） (2024-06-04T02:50:19Z) - Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳（メタデータ） (2024-02-28T08:34:23Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Physics-guided training of GAN to improve accuracy in airfoil design
synthesis [1.8416014644193066]
GAN(Generative Adversarial Network)は、最近、機械形状の設計合成に使われている。
本稿では,GANモデルの物理誘導学習を指導し,物理的妥当性を学習する手法を提案する。
数値実験により,提案手法は精度を大幅に向上することが示された。
論文 参考訳（メタデータ） (2023-08-19T14:52:30Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Generative adversarial networks for data-scarce spectral applications [0.0]
合成スペクトルデータ生成分野におけるGANの応用について報告する。
CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
論文 参考訳（メタデータ） (2023-07-14T16:27:24Z) - Intriguing Property and Counterfactual Explanation of GAN for Remote Sensing Image Generation [25.96740500337747]
GAN(Generative Adversarial Network)は、自然画像の分野で顕著な進歩を遂げている。
GANモデルは、自然な画像生成よりも、RS画像生成のためのトレーニングデータのサイズに敏感である。
本稿では,一様正則化(UR)とエントロピー正則化(ER)という2つの革新的な調整手法を提案する。
論文 参考訳（メタデータ） (2023-03-09T13:22:50Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Deep Learning of Dynamic Subsurface Flow via Theory-guided Generative
Adversarial Network [0.0]
動的偏微分方程式(PDE)の解法として理論誘導生成逆数ネットワーク(TgGAN)を提案する。
不均一モデルパラメータを持つ動的地下流れに対してTgGANを提案する。
数値計算により,TgGANモデルは動的PDEの深層学習において堅牢で信頼性が高いことが示された。
論文 参考訳（メタデータ） (2020-06-02T02:53:26Z) - High-Fidelity Synthesis with Disentangled Representation [60.19657080953252]
本稿では,不整合学習と高忠実度合成のためのID-GAN(Information-Distillation Generative Adrial Network)を提案する。
提案手法は, VAEモデルを用いて非交叉表現を学習し, 高忠実度合成のためのGAN生成器に追加のニュアンス変数で学習表現を蒸留する。
単純さにもかかわらず,提案手法は高効率であり,不整合表現を用いた最先端の手法に匹敵する画像生成品質を実現する。
論文 参考訳（メタデータ） (2020-01-13T14:39:40Z)
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。