論文の概要: DiscretizationNet: A Machine-Learning based solver for Navier-Stokes
Equations using Finite Volume Discretization
- arxiv url: http://arxiv.org/abs/2005.08357v1
- Date: Sun, 17 May 2020 19:54:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 06:05:16.029824
- Title: DiscretizationNet: A Machine-Learning based solver for Navier-Stokes
Equations using Finite Volume Discretization
- Title(参考訳): discretizationnet:有限体積離散化を用いたnavier-stokes方程式の機械学習による解法
- Authors: Rishikesh Ranade, Chris Hill and Jay Pathak
- Abstract要約: この研究の目的はMLベースのPDEソルバを開発することであり、既存のPDEソルバと機械学習技術の重要な特徴を結合させることである。
我々のML-ソルバであるDiscretizationNetは、PDE変数を入力と出力の両方の特徴として、生成CNNベースのエンコーダデコーダモデルを採用している。
ML-ゾルバの安定性と収束性を改善するために,ネットワークトレーニング中に新しい反復能力を実装した。
- 参考スコア(独自算出の注目度): 0.7366405857677226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the last few decades, existing Partial Differential Equation (PDE)
solvers have demonstrated a tremendous success in solving complex, non-linear
PDEs. Although accurate, these PDE solvers are computationally costly. With the
advances in Machine Learning (ML) technologies, there has been a significant
increase in the research of using ML to solve PDEs. The goal of this work is to
develop an ML-based PDE solver, that couples important characteristics of
existing PDE solvers with ML technologies. The two solver characteristics that
have been adopted in this work are: 1) the use of discretization-based schemes
to approximate spatio-temporal partial derivatives and 2) the use of iterative
algorithms to solve linearized PDEs in their discrete form. In the presence of
highly non-linear, coupled PDE solutions, these strategies can be very
important in achieving good accuracy, better stability and faster convergence.
Our ML-solver, DiscretizationNet, employs a generative CNN-based
encoder-decoder model with PDE variables as both input and output features.
During training, the discretization schemes are implemented inside the
computational graph to enable faster GPU computation of PDE residuals, which
are used to update network weights that result into converged solutions. A
novel iterative capability is implemented during the network training to
improve the stability and convergence of the ML-solver. The ML-Solver is
demonstrated to solve the steady, incompressible Navier-Stokes equations in 3-D
for several cases such as, lid-driven cavity, flow past a cylinder and
conjugate heat transfer.
- Abstract(参考訳): 過去数十年間、既存の偏微分方程式 (Partial Differential Equation, PDE) は複雑で非線形なPDEを解くことに大きな成功を収めた。
正確ではあるが、これらのPDEソルバは計算コストが高い。
機械学習(ML)技術の進歩により、PDEを解決するためにMLを使用する研究が大幅に増加した。
本研究の目的は,既存のPDEソルバをML技術と組み合わせたMLベースのPDEソルバを開発することである。
この研究で採用された2つの解法の特徴は次のとおりである。
1)時空間偏微分を近似するための離散化に基づくスキームの利用
2) 線形化されたPDEを離散形式で解くために反復アルゴリズムを用いる。
高度に非線形な結合pdeソリューションが存在する場合、これらの戦略は精度、安定性、より高速な収束を達成する上で非常に重要である。
我々のML-ソルバであるDiscretizationNetは、PDE変数を入力と出力の両方の特徴として、生成CNNベースのエンコーダデコーダモデルを採用している。
トレーニング中、離散化スキームは計算グラフ内に実装され、PDE残差の高速GPU計算を可能にする。
mlソルバの安定性と収束性を改善するために,ネットワークトレーニング中に新たな反復機能を実現する。
ML-ソルバーは、蓋駆動キャビティ、シリンダーを通過する流れ、共役熱伝達など、安定で圧縮不能なナビエ-ストークス方程式を3次元で解くことができる。
関連論文リスト
- Quantum Homotopy Analysis Method with Secondary Linearization for Nonlinear Partial Differential Equations [3.4879562828113224]
複素流体力学のモデリングには偏微分方程式(PDE)が不可欠である。
量子コンピューティングは、非線形PDEを解決するための有望だが技術的に難しいアプローチを提供する。
本研究では,HAMプロセス全体を線形PDEのシステムにマッピングする「二次線形化」手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T07:25:38Z) - Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。
私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。
Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
論文 参考訳(メタデータ) (2024-05-27T15:34:35Z) - Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - Meta-PDE: Learning to Solve PDEs Quickly Without a Mesh [24.572840023107574]
偏微分方程式(PDE)は、しばしば計算的に解くのが難しい。
本稿では,関連するPDEの分布から,問題の迅速な解法を学習するメタラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-11-03T06:17:52Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Meta-Auto-Decoder for Solving Parametric Partial Differential Equations [32.46080264991759]
部分微分方程式 (Partial Differential Equations, PDE) は、科学と工学の多くの分野においてユビキタスであり、解決が困難である。
提案手法はメタオートデコーダ(MAD)と呼ばれ,パラメトリックPDEをメタ学習問題として扱う。
MADは、他のディープラーニング手法と比較して精度を損なうことなく、より高速な収束速度を示す。
論文 参考訳(メタデータ) (2021-11-15T02:51:42Z) - Physics-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳(メタデータ) (2021-11-06T03:41:34Z) - A composable autoencoder-based iterative algorithm for accelerating
numerical simulations [0.0]
CoAE-MLSimは教師なし、低次元の局所的手法であり、商用PDEソルバで使われる重要なアイデアから動機づけられている。
計算速度、精度、スケーラビリティ、様々なPDE条件に対する一般化を実証するために、様々な複雑なエンジニアリングケースでテストされている。
論文 参考訳(メタデータ) (2021-10-07T20:22:37Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z) - Solver-in-the-Loop: Learning from Differentiable Physics to Interact
with Iterative PDE-Solvers [26.444103444634994]
認識されたPDEが捉えない効果を補正することにより、機械学習が解の精度を向上させることができることを示す。
従来使用されていた学習手法は,学習ループにソルバを組み込む手法により大幅に性能が向上していることがわかった。
これにより、以前の補正を考慮に入れたリアルな入力分布がモデルに提供される。
論文 参考訳(メタデータ) (2020-06-30T18:00:03Z)
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。