論文の概要: Accelerating Atmospheric Turbulence Simulation via Learned
Phase-to-Space Transform
- arxiv url: http://arxiv.org/abs/2107.11627v1
- Date: Sat, 24 Jul 2021 15:05:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-27 15:47:20.957812
- Title: Accelerating Atmospheric Turbulence Simulation via Learned
Phase-to-Space Transform
- Title(参考訳): 学習相対空間変換による大気乱流の加速シミュレーション
- Authors: Zhiyuan Mao and Nicholas Chimitt and Stanley H. Chan
- Abstract要約: 本稿では,位相空間変換(P2S)と呼ばれる新しい概念を導入し,シミュレーションを著しく高速化する。
P2S は,(1) 空間的に変化する畳み込みを基底関数による不変な畳み込みの集合として再構成し,(2) 既知の乱流統計モデルによる基底関数の学習,(3) 軽量ネットワークによる P2S 変換の実装という3つのアイデアに基づいて構築される。
- 参考スコア(独自算出の注目度): 15.441521345578483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fast and accurate simulation of imaging through atmospheric turbulence is
essential for developing turbulence mitigation algorithms. Recognizing the
limitations of previous approaches, we introduce a new concept known as the
phase-to-space (P2S) transform to significantly speed up the simulation. P2S is
build upon three ideas: (1) reformulating the spatially varying convolution as
a set of invariant convolutions with basis functions, (2) learning the basis
function via the known turbulence statistics models, (3) implementing the P2S
transform via a light-weight network that directly convert the phase
representation to spatial representation. The new simulator offers 300x --
1000x speed up compared to the mainstream split-step simulators while
preserving the essential turbulence statistics.
- Abstract(参考訳): 乱流緩和アルゴリズムの開発には,高速かつ高精度な大気乱流イメージングシミュレーションが不可欠である。
従来の手法の限界を認識し,P2S変換と呼ばれる新しい概念を導入し,シミュレーションを大幅に高速化する。
P2S は,(1) 空間的に変化する畳み込みを基底関数で不変な畳み込みの集合として再構成し,(2) 既知の乱流統計モデルを用いて基底関数を学習し,(3) 位相表現を直接空間表現に変換する軽量ネットワークを介して P2S 変換を実装した。
新しいシミュレーターはメインストリームのスプリットステップシミュレータに比べて300倍から1000倍のスピードアップを実現している。
関連論文リスト
- A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport [0.0]
本稿では,2段テンポラル3次元超解像(DST3D-UNet-SR)モデルを提案する。
このモジュールは、低分解能時間データから複雑な地形における羽根の過渡的な進化を予測する時間モジュール(TM)と、その空間分解モジュール(SRM)の2つの逐次モジュールから構成され、その結果、予測の空間分解能が向上する。
論文 参考訳(メタデータ) (2024-12-14T19:43:48Z) - 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) - Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization [9.364019847856714]
高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。
本稿では,最適化された部分空間マッピングの探索手法を提案する。
準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
論文 参考訳(メタデータ) (2024-09-05T12:56:03Z) - Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文 参考訳(メタデータ) (2024-05-31T20:05:17Z) - From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。
生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
論文 参考訳(メタデータ) (2023-05-29T18:20:28Z) - Enhanced Sampling of Configuration and Path Space in a Generalized
Ensemble by Shooting Point Exchange [71.49868712710743]
長寿命状態間の遷移によって引き起こされる稀な事象をシミュレートする新しい手法を提案する。
このスキームは遷移経路サンプリングシミュレーションの効率を大幅に向上させる。
力学を歪ませることなく、分子過程の熱力学、動力学、反応座標に関する情報を得る。
論文 参考訳(メタデータ) (2023-02-17T08:41:31Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳(メタデータ) (2022-11-26T01:56:05Z) - SimVPv2: Towards Simple yet Powerful Spatiotemporal Predictive Learning [61.419914155985886]
空間的・時間的モデリングにおけるUnetアーキテクチャの必要性を解消する合理化モデルであるSimVPv2を提案する。
SimVPv2はモデルアーキテクチャを単純化するだけでなく、性能と計算効率も改善する。
標準のMoving MNISTベンチマークでは、SimVPv2は、FLOPが少なく、トレーニング時間の半分、推論効率が60%速く、SimVPよりも優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2022-11-22T08:01:33Z) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳(メタデータ) (2022-07-20T17:09:16Z) - 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)
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。