論文の概要: Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize
- arxiv url: http://arxiv.org/abs/2006.08762v3
- Date: Tue, 2 Mar 2021 12:59:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 03:23:44.294568
- Title: Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize
- Title（参考訳）: 不圧縮流体力学をスクラッチから学ぶ -- 一般化した高速で微分可能な流体モデルへ-
- Authors: Nils Wandel, Michael Weinmann, Reinhard Klein
- Abstract要約: 最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
- 参考スコア（独自算出の注目度）: 7.707887663337803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fast and stable fluid simulations are an essential prerequisite for
applications ranging from computer-generated imagery to computer-aided design
in research and development. However, solving the partial differential
equations of incompressible fluids is a challenging task and traditional
numerical approximation schemes come at high computational costs. Recent deep
learning based approaches promise vast speed-ups but do not generalize to new
fluid domains, require fluid simulation data for training, or rely on complex
pipelines that outsource major parts of the fluid simulation to traditional
methods.
In this work, we propose a novel physics-constrained training approach that
generalizes to new fluid domains, requires no fluid simulation data, and allows
convolutional neural networks to map a fluid state from time-point t to a
subsequent state at time t + dt in a single forward pass. This simplifies the
pipeline to train and evaluate neural fluid models. After training, the
framework yields models that are capable of fast fluid simulations and can
handle various fluid phenomena including the Magnus effect and Karman vortex
streets. We present an interactive real-time demo to show the speed and
generalization capabilities of our trained models. Moreover, the trained neural
networks are efficient differentiable fluid solvers as they offer a
differentiable update step to advance the fluid simulation in time. We exploit
this fact in a proof-of-concept optimal control experiment. Our models
significantly outperform a recent differentiable fluid solver in terms of
computational speed and accuracy.
- Abstract（参考訳）: 高速で安定な流体シミュレーションは、コンピュータ画像から研究・開発におけるコンピュータ支援設計まで、アプリケーションにとって必須の前提条件である。
しかし、非圧縮性流体の偏微分方程式の解法は難しい課題であり、従来の数値近似スキームは計算コストが高い。
最近のディープラーニングベースのアプローチは、大きなスピードアップを約束しているが、新しい流体ドメインに一般化せず、トレーニングのために流体シミュレーションデータを必要としたり、流体シミュレーションの主要部分を従来の方法にアウトソースする複雑なパイプラインに依存する。
本研究では,新しい流体領域に一般化し,流体シミュレーションデータを必要とせず,畳み込みニューラルネットワークを用いて,時間点tから時間t+dtまでの流体状態を1回のフォワードパスでマッピングする,新しい物理訓練手法を提案する。
これにより、パイプラインのトレーニングと神経流体モデルの評価が簡単になる。
トレーニング後、このフレームワークは高速流体シミュレーションが可能なモデルを生成し、Magnus効果やKarman vortex Streetといった様々な流体現象を処理できる。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを示す。
さらに、トレーニングされたニューラルネットワークは、流体シミュレーションを時間内に前進させるための異なる更新ステップを提供するため、効率的な微分可能な流体解法である。
我々はこの事実を概念実証最適制御実験で活用する。
我々のモデルは計算速度と精度の点で,最近の微分可能流体ソルバを著しく上回っている。
関連論文リスト
- Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳（メタデータ） (2024-06-21T13:48:37Z) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳（メタデータ） (2023-12-08T23:44:54Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳（メタデータ） (2022-08-07T09:02:18Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2021-01-28T19:10:00Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D [4.981834139548193]
本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。
2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。
提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
論文 参考訳（メタデータ） (2020-12-22T09:21:40Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z)
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。