論文の概要: Deep Learning for Efficient Reconstruction of High-Resolution Turbulent
DNS Data
- arxiv url: http://arxiv.org/abs/2010.11348v2
- Date: Mon, 15 Mar 2021 10:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 00:52:17.571433
- Title: Deep Learning for Efficient Reconstruction of High-Resolution Turbulent
DNS Data
- Title(参考訳): 高分解能乱流DNSデータの効率的な再構成のための深層学習
- Authors: Pranshu Pant, Amir Barati Farimani
- Abstract要約: 大規模渦シミュレーション(LES)は、低分解能(LR)グリッド上の流体流れを解くために、より計算的に効率的なアプローチを示す。
本稿では,解の忠実度と計算複雑性のトレードオフを軽減することを目的とした,新しいディープラーニングフレームワークSR-DNS Netを提案する。
提案モデルでは,LESの高忠実度DNSデータを低解像度の解のように効率的に再構成し,良好な再現基準を得る。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Within the domain of Computational Fluid Dynamics, Direct Numerical
Simulation (DNS) is used to obtain highly accurate numerical solutions for
fluid flows. However, this approach for numerically solving the Navier-Stokes
equations is extremely computationally expensive mostly due to the requirement
of greatly refined grids. Large Eddy Simulation (LES) presents a more
computationally efficient approach for solving fluid flows on lower-resolution
(LR) grids but results in an overall reduction in solution fidelity. Through
this paper, we introduce a novel deep learning framework SR-DNS Net, which aims
to mitigate this inherent trade-off between solution fidelity and computational
complexity by leveraging deep learning techniques used in image
super-resolution. Using our model, we wish to learn the mapping from a coarser
LR solution to a refined high-resolution (HR) DNS solution so as to eliminate
the need for performing DNS on highly refined grids. Our model efficiently
reconstructs the high-fidelity DNS data from the LES like low-resolution
solutions while yielding good reconstruction metrics. Thus our implementation
improves the solution accuracy of LR solutions while incurring only a marginal
increase in computational cost required for deploying the trained deep learning
model.
- Abstract(参考訳): 数値流体力学の領域において、直接数値シミュレーション(dns)は流体の流れの高精度な数値解を得るために用いられる。
しかし、Navier-Stokes方程式の数値解法は、大きく洗練された格子を必要とするため、計算コストが非常に高い。
大規模渦シミュレーション(LES)は、低分解能(LR)グリッド上での流体流れの解法をより効率的に行うが、解の忠実度は全体的に低下する。
本稿では,画像超解法で使用される深層学習技術を活用することにより,解の忠実度と計算複雑性のトレードオフを軽減することを目的とした,新しいディープラーニングフレームワークSR-DNS Netを提案する。
本モデルを用いて,高精細グリッド上でDNSを実行する必要がなくなるように,粗いLRソリューションから高分解能(HR)DNSソリューションへのマッピングを学習したい。
提案モデルでは,LESの高忠実度DNSデータを低解像度の解のように効率的に再構成し,良好な再現基準を得る。
そこで,本実装では,学習型ディープラーニングモデルのデプロイに必要な計算コストがわずかに増加するだけで,lrソリューションの解精度が向上する。
関連論文リスト
- DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-11T06:31:03Z) - Reducing the Need for Backpropagation and Discovering Better Optima With
Explicit Optimizations of Neural Networks [4.807347156077897]
本稿では,ニューラルネットワークの最適化のための計算効率のよい代替案を提案する。
我々は、単純なフィードフォワード言語モデルに対する明確な解決策を導出する。
実験では,明示的な解がほぼ最適であることを示す。
論文 参考訳(メタデータ) (2023-11-13T17:38:07Z) - An Operator Learning Framework for Spatiotemporal Super-resolution of Scientific Simulations [3.921076451326108]
Super Resolution Operator Network (SRNet) は、演算子学習問題として超解像を扱う。
低分解能近似からパラメトリック微分方程式の連続表現を学ぶために、既存の演算子学習問題から着想を得ている。
低分解能近似が提供されるセンサーの位置に制限は課されない。
論文 参考訳(メタデータ) (2023-11-04T05:33:23Z) - 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) - Learning to Optimize Permutation Flow Shop Scheduling via Graph-based
Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。
我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。
我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文 参考訳(メタデータ) (2022-10-31T09:46:26Z) - Reconstructing High-resolution Turbulent Flows Using Physics-Guided
Neural Networks [3.9548535445908928]
乱流の直接数値シミュレーション(DNS)は計算コストが高く、レイノルズ数が大きい流れには適用できない。
大規模渦シミュレーション(LES)は計算量が少ないが、乱流輸送の全てのスケールを正確に捉えることはできない。
LES予測からDNSデータを再構築するための超解像技術に基づく新しいデータ駆動手法を構築した。
論文 参考訳(メタデータ) (2021-09-06T03:01:24Z) - Deep Iterative Residual Convolutional Network for Single Image
Super-Resolution [31.934084942626257]
我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。
残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。
トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
論文 参考訳(メタデータ) (2020-09-07T12:54:14Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z) - Model-Driven Beamforming Neural Networks [47.754731555563836]
本稿では、一般データおよびモデル駆動ビームフォーミングニューラルネットワーク(BNN)を紹介する。
様々な学習戦略を示し、DLベースのBNNの複雑さの低減についても論じている。
また、BNNの汎用性を向上させるため、トレーニングセットの強化や伝達学習などの強化手法も提供する。
論文 参考訳(メタデータ) (2020-01-15T12:50:09Z) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳(メタデータ) (2020-01-12T15:54:20Z)
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。