論文の概要: Latent Space Subdivision: Stable and Controllable Time Predictions for Fluid Flow

• arxiv url: http://arxiv.org/abs/2003.08723v1
• Date: Thu, 12 Mar 2020 12:38:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 14:22:01.230654
• Title: Latent Space Subdivision: Stable and Controllable Time Predictions for Fluid Flow
• Title（参考訳）: 潜時空間区分:流体流の安定かつ制御可能な時間予測
• Authors: Steffen Wiewel, Byungsoo Kim, Vinicius C. Azevedo, Barbara Solenthaler, Nils Thuerey
• Abstract要約: 本稿では,流体の複雑な力学を頑健に予測するために,エンドツーエンドのニューラルネットワークアーキテクチャを提案する。 本研究では,非圧縮性Navier-Stokes(NS)方程式に基づく2次元および3次元の単相煙シミュレーションに着目する。
• 参考スコア（独自算出の注目度）: 27.389985699087017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an end-to-end trained neural networkarchitecture to robustly predict the complex dynamics of fluid flows with high temporal stability. We focus on single-phase smoke simulations in 2D and 3D based on the incompressible Navier-Stokes (NS) equations, which are relevant for a wide range of practical problems. To achieve stable predictions for long-term flow sequences, a convolutional neural network (CNN) is trained for spatial compression in combination with a temporal prediction network that consists of stacked Long Short-Term Memory (LSTM) layers. Our core contribution is a novel latent space subdivision (LSS) to separate the respective input quantities into individual parts of the encoded latent space domain. This allows to distinctively alter the encoded quantities without interfering with the remaining latent space values and hence maximizes external control. By selectively overwriting parts of the predicted latent space points, our proposed method is capable to robustly predict long-term sequences of complex physics problems. In addition, we highlight the benefits of a recurrent training on the latent space creation, which is performed by the spatial compression network.
• Abstract（参考訳）: 本研究では,時間安定性の高い流体流れの複雑なダイナミクスをロバストに予測するために,エンドツーエンドで訓練されたニューラルネットワークアーキテクチャを提案する。 本研究では,非圧縮性Navier-Stokes(NS)方程式に基づく2次元および3次元の単相煙シミュレーションに焦点を当てた。 長期フローシーケンスの安定した予測を実現するため、畳み込みニューラルネットワーク(CNN)は、積み重ねられた長短期メモリ(LSTM)層からなる時間的予測ネットワークと組み合わせて、空間圧縮のために訓練される。 我々のコアコントリビューションは、各入力量を符号化された潜在空間領域の個々の部分に分割する新しい潜在空間分割(LSS)である。 これにより、残りの潜在空間値に干渉することなく、符号化された量を明確に変更することができ、したがって外部制御を最大化することができる。 予測された潜在空間点の一部を選択的に上書きすることで,複雑な物理問題の長期シーケンスをロバストに予測することができる。 さらに,空間圧縮ネットワークによって行われる潜在空間生成の繰り返し学習の利点を強調した。

関連論文リスト

• Inferring stability properties of chaotic systems on autoencoders' latent spaces [4.266376725904727]
  カオスシステムと乱流では、畳み込みオートエンコーダとエコー状態ネットワーク(CAE-ESN)がダイナミクスの予測に成功した。 CAE-ESNモデルは、低次元多様体における空間ベクトルの不変安定性と幾何学を推論することを示した。 この研究は、潜在空間における高次元カオスシステムの安定性を推測する新たな機会を開く。
  論文  参考訳（メタデータ） (2024-10-23T16:25:36Z)
• Smooth and Sparse Latent Dynamics in Operator Learning with Jerk Regularization [1.621267003497711]
  本稿では,圧縮された潜在空間の学習にジャッジ正規化を組み込んだ連続演算子学習フレームワークを提案する。 このフレームワークは、任意の所望の空間的あるいは時間的解像度での推論を可能にする。 この枠組みの有効性は、ナヴィエ・ストークス方程式によって支配される二次元非定常流問題によって証明される。
  論文  参考訳（メタデータ） (2024-02-23T22:38:45Z)
• Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
  エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。 既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。 浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
  論文  参考訳（メタデータ） (2024-01-09T07:31:34Z)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• DMS-GCN: Dynamic Mutiscale Spatiotemporal Graph Convolutional Networks for Human Motion Prediction [8.142947808507365]
  動作予測のためのフィードフォワードディープニューラルネットワークを提案する。 モデル全体がすべてのアクションに適合し、エンコーダ・デコーダのフレームワークに従う。 提案手法は,Human3.6MとCMU Mocapのデータセット上でSOTA法より優れている。
  論文  参考訳（メタデータ） (2021-12-20T07:07:03Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• A Shooting Formulation of Deep Learning [19.51427735087011]
  本稿では,ネットワーク層ごとのパラメータ化から,最適ネットワーク上でのパラメータ化へと視点を転換するシューティング定式化を提案する。 拡張性のために,連続深度ニューラルネットワークの最適重み軌跡を同定する新しい粒子アンサンブルパラメトリゼーションを提案する。
  論文  参考訳（メタデータ） (2020-06-18T07:36:04Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。