論文の概要: Simulating Anisoplanatic Turbulence by Sampling Inter-modal and
Spatially Correlated Zernike Coefficients
- arxiv url: http://arxiv.org/abs/2004.11210v2
- Date: Tue, 23 Jun 2020 03:03:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 12:37:59.837711
- Title: Simulating Anisoplanatic Turbulence by Sampling Inter-modal and
Spatially Correlated Zernike Coefficients
- Title（参考訳）: モーダル間および空間関連ゼルニケ係数のサンプリングによる異方性乱流のシミュレーション
- Authors: Nicholas Chimitt and Stanley H. Chan
- Abstract要約: 乱流を通したイメージングをシミュレーションするための伝搬不要な手法を提案する。
そこで本研究では,モーダル間および空間的相関のZernike係数を描画する新しい手法を提案する。
実験結果から,シミュレータは理論と実乱流データとよく一致していることがわかった。
- 参考スコア（独自算出の注目度）: 15.904420927818201
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulating atmospheric turbulence is an essential task for evaluating
turbulence mitigation algorithms and training learning-based methods. Advanced
numerical simulators for atmospheric turbulence are available, but they require
evaluating wave propagation which is computationally expensive. In this paper,
we present a propagation-free method for simulating imaging through turbulence.
The key idea behind our work is a new method to draw inter-modal and spatially
correlated Zernike coefficients. By establishing the equivalence between the
angle-of-arrival correlation by Basu, McCrae and Fiorino (2015) and the
multi-aperture correlation by Chanan (1992), we show that the Zernike
coefficients can be drawn according to a covariance matrix defining the
correlations. We propose fast and scalable sampling strategies to draw these
samples. The new method allows us to compress the wave propagation problem into
a sampling problem, hence making the new simulator significantly faster than
existing ones. Experimental results show that the simulator has an excellent
match with the theory and real turbulence data.
- Abstract（参考訳）: 大気乱流のシミュレーションは,乱流緩和アルゴリズムの評価や学習手法の訓練に欠かせない課題である。
大気乱流の高度数値シミュレーションは可能であるが、計算コストの高い波動伝播の評価が必要となる。
本稿では,乱流中を伝播しないイメージングシミュレーション手法を提案する。
私たちの研究の背後にある重要なアイデアは、モーダル係数と空間相関係数を描画する新しい方法です。
Basu, McCrae, Fiorino (2015) と Chanan (1992) によるマルチアパーチャ相関の等価性を確立することにより、Zernike 係数は相関を定義する共分散行列に従って描画可能であることを示す。
これらのサンプルを描くために,高速でスケーラブルなサンプリング戦略を提案する。
新しい方法では、波の伝播問題をサンプリング問題に圧縮できるため、新しいシミュレータは既存のシミュレータよりもはるかに高速になる。
実験の結果,シミュレータは理論と実乱流データとよく一致していることがわかった。
関連論文リスト
- Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。
本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
論文 参考訳（メタデータ） (2024-11-17T17:45:37Z) - Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。
我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。
我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
論文 参考訳（メタデータ） (2024-10-17T20:53:04Z) - Improving Consistency Models with Generator-Induced Flows [16.049476783301724]
一貫性モデルは、ニューラルネットワークの単一前方通過におけるスコアベース拡散の多段階サンプリングを模倣する。
それらは、一貫性の蒸留と一貫性のトレーニングの2つの方法を学ぶことができる。
本稿では,現在訓練されているモデルから得られた雑音データを対応する出力へ転送する新しい流れを提案する。
論文 参考訳（メタデータ） (2024-06-13T20:22:38Z) - Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。
解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文 参考訳（メタデータ） (2024-03-11T09:10:37Z) - DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for
Accelerated Seq2Seq Diffusion Models [58.450152413700586]
ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。
我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。
提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
論文 参考訳（メタデータ） (2023-10-09T15:29:10Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳（メタデータ） (2022-11-24T07:30:27Z) - A unified method of data assimilation and turbulence modeling for
separated flows at high Reynolds numbers [0.0]
本稿では,データ同化と乱流モデリングの統一的アプローチとして,改良されたアンサンブルカルマン逆変換法を提案する。
DNNのトレーニング可能なパラメータは、与えられた実験的表面圧力係数に応じて最適化される。
その結果, 各種実験状態の連成同化により, 付着流と分離流の双方によく適応する乱流モデルが得られることがわかった。
論文 参考訳（メタデータ） (2022-11-01T17:17:53Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Learned Turbulence Modelling with Differentiable Fluid Solvers [23.535052848123932]
我々は畳み込みニューラルネットワークに基づいて乱流モデルを訓練する。
これらのモデルは、シミュレーション時に非圧縮性ナビエ・ストークス方程式に対する未解決の低分解能解を改善する。
論文 参考訳（メタデータ） (2022-02-14T19:03:01Z) - Lightning-Fast Gravitational Wave Parameter Inference through Neural
Amortization [6.810835072367285]
ニューラルシミュレーションに基づく推論の最近の進歩は、推論時間を最大3桁スピードアップすることができる。
シミュレーションされた重力波のパラメータの信頼区間を精度良く推定する。
論文 参考訳（メタデータ） (2020-10-24T16:48:24Z)
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。