論文の概要: Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D
- arxiv url: http://arxiv.org/abs/2012.11893v2
- Date: Wed, 24 Mar 2021 00:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:19:09.917747
- Title: Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D
- Title(参考訳): ニューラルサロゲートモデルの3次元高速化のための非圧縮性ナビエ-ストークス方程式の指導
- Authors: Nils Wandel, Michael Weinmann, Reinhard Klein
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.981834139548193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physically plausible fluid simulations play an important role in modern
computer graphics and engineering. However, in order to achieve real-time
performance, computational speed needs to be traded-off with physical accuracy.
Surrogate fluid models based on neural networks have the potential to achieve
both, fast fluid simulations and high physical accuracy. However, these
approaches rely on massive amounts of training data, require complex pipelines
for training and inference or do not generalize to new fluid domains.
In this work, we present significant extensions to a recently proposed deep
learning framework, which addresses the aforementioned challenges in 2D. We go
from 2D to 3D and propose an efficient architecture to cope with the high
demands of 3D grids in terms of memory and computational complexity.
Furthermore, we condition the neural fluid model on additional information
about the fluid's viscosity and density which allows simulating laminar as well
as turbulent flows based on the same surrogate model.
Our method allows to train fluid models without requiring fluid simulation
data beforehand. Inference is fast and simple, as the fluid model directly maps
a fluid state and boundary conditions at a moment t to a subsequent fluid state
at t+dt. We obtain real-time fluid simulations on a 128x64x64 grid that include
various fluid phenomena such as the Magnus effect or Karman vortex streets and
generalize to domain geometries not considered during training. Our method
indicates strong improvements in terms of accuracy, speed and generalization
capabilities over current 3D NN-based fluid models.
- Abstract(参考訳): 物理的に妥当な流体シミュレーションは、現代のコンピュータグラフィックスと工学において重要な役割を果たす。
しかし、リアルタイム性能を達成するためには、計算速度を物理的精度でトレードオフする必要がある。
ニューラルネットワークに基づく代理流体モデルは、高速流体シミュレーションと高い物理精度の両方を達成することができる。
しかし、これらのアプローチは大量のトレーニングデータに依存し、トレーニングと推論のために複雑なパイプラインを必要とするか、あるいは新しい流体ドメインに一般化しない。
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応する効率的なアーキテクチャを提案する。
さらに, 流体の粘度と密度に関する付加的な情報にニューラル流体モデルを適用し, 同一の代理モデルに基づく乱流だけでなく, 層流のシミュレーションも可能とした。
本手法は流体シミュレーションデータを事前に必要とせずに流体モデルを訓練できる。
流体モデルは、t の流体状態と境界条件を直接 t+dt の流体状態にマッピングするので、推論は高速で単純である。
マグヌス効果やカルマン渦など様々な流体現象を含む128x64x64グリッド上での実時間流体シミュレーションを行い、訓練中に考慮されない領域ジオメトリに一般化する。
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。
関連論文リスト
- Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。
基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
論文 参考訳(メタデータ) (2024-12-18T14:39:43Z) - A Pioneering Neural Network Method for Efficient and Robust Fluid Simulation [4.694954114339147]
本研究では,複雑な環境下での流体シミュレーションを効率的かつ堅牢に行うために設計された,最初のニューラルネットワーク手法を提案する。
このモデルは、そのような複雑なシナリオで流体粒子力学を安定にモデル化できる最初のモデルでもある。
既存のニューラルネットワークに基づく流体シミュレーションアルゴリズムと比較して、高速な計算速度を維持しながら精度を大幅に向上させた。
論文 参考訳(メタデータ) (2024-12-14T08:31:56Z) - 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) - 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) - 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) - 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) - 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) - 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。