論文の概要: A fast and accurate physics-informed neural network reduced order model
with shallow masked autoencoder
- arxiv url: http://arxiv.org/abs/2009.11990v2
- Date: Mon, 28 Sep 2020 21:27:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 22:23:31.592029
- Title: A fast and accurate physics-informed neural network reduced order model
with shallow masked autoencoder
- Title(参考訳): 浅層マスマスキングオートエンコーダを用いた高速かつ高精度な物理インフォームドニューラルネットワーク削減次数モデル
- Authors: Youngkyu Kim, Youngsoo Choi, David Widemann, Tarek Zohdi
- Abstract要約: 非線形多様体 ROM (NM-ROM) はLS-ROMよりも小さい潜在空間次元の高忠実度モデル解を近似することができる。
その結果、ニューラルネットワークは、アドベクションに支配されたデータに基づいて、より効率的な潜在空間表現を学習できることが示されている。
- 参考スコア(独自算出の注目度): 0.19116784879310023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional linear subspace reduced order models (LS-ROMs) are able to
accelerate physical simulations, in which the intrinsic solution space falls
into a subspace with a small dimension, i.e., the solution space has a small
Kolmogorov n-width. However, for physical phenomena not of this type, e.g., any
advection-dominated flow phenomena, such as in traffic flow, atmospheric flows,
and air flow over vehicles, a low-dimensional linear subspace poorly
approximates the solution. To address cases such as these, we have developed a
fast and accurate physics-informed neural network ROM, namely nonlinear
manifold ROM (NM-ROM), which can better approximate high-fidelity model
solutions with a smaller latent space dimension than the LS-ROMs. Our method
takes advantage of the existing numerical methods that are used to solve the
corresponding full order models. The efficiency is achieved by developing a
hyper-reduction technique in the context of the NM-ROM. Numerical results show
that neural networks can learn a more efficient latent space representation on
advection-dominated data from 1D and 2D Burgers' equations. A speedup of up to
2.6 for 1D Burgers' and a speedup of 11.7 for 2D Burgers' equations are
achieved with an appropriate treatment of the nonlinear terms through a
hyper-reduction technique. Finally, a posteriori error bounds for the NM-ROMs
are derived that take account of the hyper-reduced operators.
- Abstract(参考訳): 従来の線形部分空間還元次数モデル(LS-ROM)は、内在的な解空間が小さな次元を持つ部分空間、すなわち、解空間が小さなコルモゴロフ n-幅を持つような物理シミュレーションを加速することができる。
しかし、このタイプの物理現象、例えば交通流、大気流、車両上空の空気流など、アドベクションが支配する流れ現象に対して、低次元の線形部分空間は解をあまり近似しない。
このようなケースに対処するため,我々は高速で正確な物理に変形したニューラルネットワークrom,すなわち非線形多様体rom(nm-rom)を開発した。
本手法は,対応する全順序モデルの解法として,既存の数値手法を利用する。
この効率性はNM-ROMの文脈で超還元技術を開発することで達成される。
その結果、ニューラルネットワークは1dおよび2dバーガーの方程式から、アドベクションが支配するデータに対してより効率的な潜在空間表現を学習できることが示されている。
1Dバーガーズ方程式の最大2.6の高速化と2Dバーガーズ方程式の1.7の高速化は、超還元法により非線形項の適切な処理によって達成される。
最後に、超還元作用素を考慮に入れたNM-ROMの後方誤差境界を導出する。
関連論文リスト
- Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。
近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
論文 参考訳(メタデータ) (2024-10-31T14:26:10Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - 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) - 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) - gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics
Identification [0.5249805590164902]
物理インフォームド・グレディ・ラテント・スペース・ダイナミクス同定法(gLa)を提案する。
インタラクティブなトレーニングアルゴリズムがオートエンコーダとローカルDIモデルに採用され、単純な潜在空間のダイナミクスを識別できる。
提案手法の有効性は, 様々な非線形力学問題をモデル化することによって実証される。
論文 参考訳(メタデータ) (2022-04-26T00:15:46Z) - Deep-HyROMnet: A deep learning-based operator approximation for
hyper-reduction of nonlinear parametrized PDEs [0.0]
ディープニューラルネットワーク(DNN)を用いた非線形ROM演算子学習手法を提案する。
DNNによって強化された結果の超還元順序モデルはDeep-HyROMnetと呼ばれる。
数値計算の結果,Deep-HyROMnetsはPOD-GalerkinDEIMsよりも桁違いに高速であり,精度は同等であることがわかった。
論文 参考訳(メタデータ) (2022-02-05T23:45:25Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳(メタデータ) (2021-07-13T16:05:28Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳(メタデータ) (2021-06-10T13:07:33Z) - Efficient nonlinear manifold reduced order model [0.19116784879310023]
非線形多様体 ROM (NM-ROM) はLS-ROMよりも小さい潜在空間次元の高忠実度モデル解を近似することができる。
その結果、ニューラルネットワークは、レイノルズ数の高い2次元バーガー方程式から、アドベクションに支配されたデータに基づいてより効率的な潜在空間表現を学習できることを示した。
論文 参考訳(メタデータ) (2020-11-13T18:46:21Z)
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。