Fugu-MT 論文翻訳(概要): Adaptive Neural Network-Based Approximation to Accelerate Eulerian Fluid Simulation

論文の概要: Adaptive Neural Network-Based Approximation to Accelerate Eulerian Fluid Simulation

arxiv url: http://arxiv.org/abs/2008.11832v1
Date: Wed, 26 Aug 2020 21:44:44 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 21:19:08.732962
Title: Adaptive Neural Network-Based Approximation to Accelerate Eulerian Fluid Simulation
Title（参考訳）: 適応ニューラルネットワークを用いたオイラー流体シミュレーションの高速化
Authors: Wenqian Dong, Jie Liu, Zhen Xie and Dong Li
Abstract要約: モデル生成とアプリケーションを自動化するフレームワークであるSmartfluidnetを紹介します。 Smartfluidnetはシミュレーションの前に複数のニューラルネットワークを生成し、実行時間とシミュレーション品質要件を満たす。 We show that Smartfluidnet achieve a 1.46x and 590x speedup compared with a state-of-the-art neural network model and the original fluid Simulation。
参考スコア（独自算出の注目度）: 9.576796509480445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Eulerian fluid simulation is an important HPC application. The neural network has been applied to accelerate it. The current methods that accelerate the fluid simulation with neural networks lack flexibility and generalization. In this paper, we tackle the above limitation and aim to enhance the applicability of neural networks in the Eulerian fluid simulation. We introduce Smartfluidnet, a framework that automates model generation and application. Given an existing neural network as input, Smartfluidnet generates multiple neural networks before the simulation to meet the execution time and simulation quality requirement. During the simulation, Smartfluidnet dynamically switches the neural networks to make the best efforts to reach the user requirement on simulation quality. Evaluating with 20,480 input problems, we show that Smartfluidnet achieves 1.46x and 590x speedup comparing with a state-of-the-art neural network model and the original fluid simulation respectively on an NVIDIA Titan X Pascal GPU, while providing better simulation quality than the state-of-the-art model.
Abstract（参考訳）: ユーレリア流体シミュレーションは重要なHPC応用である。ニューラルネットワークはそれを加速するために適用されている。ニューラルネットワークによる流体シミュレーションを加速する現在の手法には柔軟性と一般化が欠けている。本稿では,上述の限界に取り組み,オイラー流体シミュレーションにおけるニューラルネットワークの適用性を高めることを目的とする。モデル生成とアプリケーションを自動化するフレームワークであるsmartfluidnetを紹介する。既存のニューラルネットワークを入力として与えると、smartfluidnetはシミュレーションの前に複数のニューラルネットワークを生成し、実行時間とシミュレーション品質要件を満たす。シミュレーション中、Smartfluidnetはニューラルネットワークを動的に切り替えて、シミュレーション品質のユーザ要求に到達するためのベストな取り組みを行う。 20,480の入力問題を評価したところ,Smartfluidnetは最先端のニューラルネットワークモデルとNVIDIA Titan X Pascal GPUの流体シミュレーションと比較して1.46倍,590倍の高速化を実現し,最先端のモデルよりも優れたシミュレーション品質を提供することがわかった。

関連論文リスト

A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文参考訳（メタデータ） (2024-09-23T11:16:46Z)
Applying generative neural networks for fast simulations of the ALICE (CERN) experiment [0.0]
この論文は、CERNのゼロ・デグレ・カロリメータ(ZDC)中性子検出器の高速シミュレーションのための生成ニューラルネットワークへの最先端の応用について研究している。 GEANT Monte Carlo ツールキットを用いた従来のシミュレーション手法は正確ではあるが、計算的に要求される。この論文は、コンピュータビジョンにおけるニューラルネットワークの適用、機械学習を用いた高速シミュレーション、高エネルギー物理学における生成ニューラルネットワークに関する包括的な文献レビューを提供する。
論文参考訳（メタデータ） (2024-07-10T17:08:59Z)
Runtime Construction of Large-Scale Spiking Neuronal Network Models on GPU Devices [0.0]
本稿では,GPUメモリ上で対話的,動的,直接的にネットワーク接続を作成する新しい手法を提案する。我々は,2つの神経科学的なモデルを用いて,コンシューマとデータセンタのGPUによるシミュレーション性能を検証する。ネットワーク構築時間とシミュレーション時間は、他の最先端のシミュレーション技術と同等か短い。
論文参考訳（メタデータ） (2023-06-16T14:08:27Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
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)
Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文参考訳（メタデータ） (2022-06-15T17:29:57Z)
SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection for Autonomous Driving [0.0]
Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
論文参考訳（メタデータ） (2022-06-06T20:05:17Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文参考訳（メタデータ） (2021-09-22T16:52:51Z)
Smart-PGSim: Using Neural Network to Accelerate AC-OPF Power Grid Simulation [6.455450866860673]
我々は、電流最適潮流(AC-OPF)を加速する問題に対するニューラルネットワークアプローチを開発する。 Smart-PGSimは、AC-OPFシミュレーションを高速化するために、新しいマルチタスク学習ニューラルネットワークモデルを生成する。
論文参考訳（メタデータ） (2020-08-26T21:31:08Z)
Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
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。
論文参考訳（メタデータ） (2020-06-15T20:59:28Z)

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。