論文の概要: Automating Turbulence Modeling by Multi-Agent Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2005.09023v2
- Date: Fri, 23 Oct 2020 11:25:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 00:33:26.897244
- Title: Automating Turbulence Modeling by Multi-Agent Reinforcement Learning
- Title(参考訳): マルチエージェント強化学習による乱流自動モデリング
- Authors: Guido Novati, Hugues Lascombes de Laroussilhe, and Petros Koumoutsakos
- Abstract要約: 乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
- 参考スコア(独自算出の注目度): 4.784658158364452
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modeling of turbulent flows is critical to scientific and engineering
problems ranging from aircraft design to weather forecasting and climate
prediction. Over the last sixty years numerous turbulence models have been
proposed, largely based on physical insight and engineering intuition. Recent
advances in machine learning and data science have incited new efforts to
complement these approaches. To date, all such efforts have focused on
supervised learning which, despite demonstrated promise, encounters
difficulties in generalizing beyond the distributions of the training data. In
this work we introduce multi-agent reinforcement learning (MARL) as an
automated discovery tool of turbulence models. We demonstrate the potential of
this approach on Large Eddy Simulations of homogeneous and isotropic turbulence
using as reward the recovery of the statistical properties of Direct Numerical
Simulations. Here, the closure model is formulated as a control policy enacted
by cooperating agents, which detect critical spatio-temporal patterns in the
flow field to estimate the unresolved sub-grid scale (SGS) physics. The present
results are obtained with state-of-the-art algorithms based on experience
replay and compare favorably with established dynamic SGS modeling approaches.
Moreover, we show that the present turbulence models generalize across grid
sizes and flow conditions as expressed by the Reynolds numbers.
- Abstract(参考訳): 乱流のモデル化は、航空機の設計から気象予報、気候予報まで、科学や工学の問題に不可欠である。
過去60年間に多くの乱流モデルが提案され、主に物理的洞察と工学的直観に基づいている。
機械学習とデータサイエンスの最近の進歩は、これらのアプローチを補完する新たな取り組みを促している。
これまで、こうした取り組みはすべて教師あり学習に焦点が当てられてきたが、教師あり学習データの分布を超えて一般化することの難しさに遭遇した。
本研究では,乱流モデルの自動検出ツールとしてマルチエージェント強化学習(MARL)を導入する。
直接数値シミュレーションの統計特性の回復に対する報奨として, 同質および等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
ここでは, 閉鎖モデルを協調エージェントによる制御ポリシとして定式化し, 流れ場の臨界時空間パターンを検出し, 未解決サブグリッドスケール(SGS)物理を推定する。
本研究では,経験リプレイに基づく最先端のアルゴリズムを用いて,既存の動的SGSモデリング手法と比較した。
さらに,現在の乱流モデルは,レイノルズ数で表されるグリッドサイズと流れ条件にまたがって一般化することを示した。
関連論文リスト
- FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳(メタデータ) (2023-03-12T05:08:03Z) - Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文 参考訳(メタデータ) (2022-09-23T14:38:01Z) - Data-driven Control of Agent-based Models: an Equation/Variable-free
Machine Learning Approach [0.0]
複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。
提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM))
創発力学の数値分岐解析を行うために方程式のない手法を用いる。
我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
論文 参考訳(メタデータ) (2022-07-12T18:16:22Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳(メタデータ) (2022-02-17T07:56:46Z) - Deep Learning to advance the Eigenspace Perturbation Method for
Turbulence Model Uncertainty Quantification [0.0]
乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。
我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
論文 参考訳(メタデータ) (2022-02-11T08:06:52Z) - SPATE-GAN: Improved Generative Modeling of Dynamic Spatio-Temporal
Patterns with an Autoregressive Embedding Loss [4.504870356809408]
本稿では、時間的ダイナミクスの学習を強化するために、自己回帰埋め込みに基づく-GANと組み合わせた新しい損失目標を提案する。
組込み損失は -GAN のアーキテクチャを変更することなく性能を向上し,自己相関構造に対するモデルの能力向上を浮き彫りにしている。
論文 参考訳(メタデータ) (2021-09-30T12:10:05Z) - Scientific multi-agent reinforcement learning for wall-models of
turbulent flows [5.678337324555036]
大規模シミュレーションのための壁モデル発見のための科学的マルチエージェント強化学習(SciMARL)を紹介する。
現在のシミュレーションは、完全に解決されたシミュレーションよりも数桁の計算コストを削減している。
論文 参考訳(メタデータ) (2021-06-21T14:30:10Z)
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。