論文の概要: Data-Driven Constitutive Relation Reveals Scaling Law for Hydrodynamic
Transport Coefficients
- arxiv url: http://arxiv.org/abs/2108.00413v4
- Date: Mon, 20 Mar 2023 15:48:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 07:34:37.584221
- Title: Data-Driven Constitutive Relation Reveals Scaling Law for Hydrodynamic
Transport Coefficients
- Title(参考訳): 流体輸送係数のスケーリング法則に関するデータ駆動構成的関係
- Authors: Candi Zheng, Yang Wang, Shiyi Chen
- Abstract要約: 線形システム上で理論的にデータ駆動モデルについて検討する。
これらのモデルは輸送係数の非線形長スケール法則と等価であると主張する。
また、スケーリング法則のモデル化は、データ駆動モデルにおける実践的な困難を回避できると指摘する。
- 参考スコア(独自算出の注目度): 4.688565638923125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding extended hydrodynamics equations valid from the dense gas region to
the rarefied gas region remains a great challenge. The key to success is to
obtain accurate constitutive relations for stress and heat flux. Data-driven
models offer a new phenomenological approach to learning constitutive relations
from data. Such models enable complex constitutive relations that extend
Newton's law of viscosity and Fourier's law of heat conduction by regression on
higher derivatives. However, the choices of derivatives in these models are
ad-hoc without a clear physical explanation. We investigated data-driven models
theoretically on a linear system. We argue that these models are equivalent to
non-linear length scale scaling laws of transport coefficients. The equivalence
to scaling laws justified the physical plausibility and revealed the limitation
of data-driven models. Our argument also points out that modeling the scaling
law could avoid practical difficulties in data-driven models like derivative
estimation and variable selection on noisy data. We further proposed a
constitutive relation model based on scaling law and tested it on the
calculation of Rayleigh scattering spectra. The result shows our data-driven
model has a clear advantage over the Chapman-Enskog expansion and moment
methods.
- Abstract(参考訳): 密度ガス領域から希薄ガス領域への拡張流体力学方程式の発見は依然として大きな課題である。
成功の鍵は、応力と熱流束の正確な構成関係を得ることである。
データ駆動モデルは、データから構成関係を学ぶ新しい表現論的アプローチを提供する。
このようなモデルにより、ニュートンの粘度の法則とフーリエの熱伝導の法則を拡張する複雑な構成的関係が実現される。
しかし、これらのモデルにおける微分の選択は、明確な物理的説明なしにアドホックである。
線形システム上で理論的にデータ駆動モデルを検討した。
これらのモデルは輸送係数の非線形長スケール法則と等価であると主張する。
スケーリング法則の等価性は、物理的妥当性を正当化し、データ駆動モデルの制限を明らかにした。
また, スケーリング法則のモデル化は, 微分推定や雑音データに対する変数選択といったデータ駆動モデルにおいて, 現実的な困難を回避できると指摘した。
さらに,スケーリング法則に基づく構成的関係モデルを提案し,レイリー散乱スペクトルの計算に基づいて実験を行った。
その結果、データ駆動モデルがchapman-enskog拡張とmomentsメソッドに対して明らかに有利であることが分かりました。
関連論文リスト
- Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文 参考訳(メタデータ) (2024-03-04T07:09:54Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Diffusion model based data generation for partial differential equations [0.6554326244334866]
本稿では,物理シミュレーションにおける新しいデータ生成手法を提案する。
私たちのモチベーションは、数値データの可用性の制限によって引き起こされる制限を克服することにあります。
生成したデータサンプルを古典解法からの出力と比較することにより,それらの精度を評価し,基礎となる物理法則への適合性を検討する。
論文 参考訳(メタデータ) (2023-06-19T17:19:47Z) - Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。
本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
論文 参考訳(メタデータ) (2023-01-18T11:29:49Z) - A Solvable Model of Neural Scaling Laws [72.8349503901712]
大量のパラメータを持つ大規模な言語モデルは、インターネットに近い数のトークンで訓練されると、ニューラルネットワークのスケーリング法則に従うことが実証的に示されている。
我々は,このニューラルスケーリング現象を捉える統計モデル(共同生成データモデルとランダム特徴モデル)を提案する。
主な発見は、自然データセットの統計に現れる電力法則が非線形ランダムな特徴写像によって拡張される方法である。
論文 参考訳(メタデータ) (2022-10-30T15:13:18Z) - Deep Learning Closure Models for Large-Eddy Simulation of Flows around
Bluff Bodies [0.0]
大渦シミュレーション(LES)のための深層学習モデルを開発し, 中間レイノルズ数での矩形円筒まわりの非圧縮性流れについて評価した。
DL-LESモデルは, 直接数値シミュレーション(DNS)データと密に一致させるために, 随伴PDE最適化法を用いて訓練される。
本研究では, 抵抗係数, 平均流量, レイノルズ応力を予測するためのDL-LESモデルの精度について検討した。
論文 参考訳(メタデータ) (2022-08-06T11:25:50Z) - Bayesian Calibration of imperfect computer models using Physics-informed
priors [0.0]
本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。
我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。
この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
論文 参考訳(メタデータ) (2022-01-17T15:16:26Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - Causal Inference with Deep Causal Graphs [0.0]
パラメトリック因果モデリング技術は、カウンターファクト推定の機能を提供することはめったにない。
Deep Causal Graphsは、因果分布をモデル化するニューラルネットワークに必要な機能の抽象的な仕様である。
複雑な相互作用をモデル化する上で,その表現力を示し,機械学習の説明可能性と公正性を示す。
論文 参考訳(メタデータ) (2020-06-15T13:03:33Z)
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。