論文の概要: Application of Video-to-Video Translation Networks to Computational Fluid Dynamics

• arxiv url: http://arxiv.org/abs/2109.10679v1
• Date: Sun, 12 Sep 2021 02:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-26 22:31:50.193595
• Title: Application of Video-to-Video Translation Networks to Computational Fluid Dynamics
• Title（参考訳）: ビデオ間翻訳ネットワークの計算流体力学への応用
• Authors: Hiromitsu Kigure
• Abstract要約: 本研究の目的は,GANを用いたCFDシミュレーションの計算コストを削減することである。 低コスト・高精度シミュレーションの結果は, 低コスト・低精度シミュレーションの結果から推定できることが示されている。 特に、高分解能グリッドの場合の密度分布の時間発展は、低分解能グリッドの場合からGANを通して再現される。
• 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: In recent years, the evolution of artificial intelligence, especially deep learning, has been remarkable, and its application to various fields has been growing rapidly. In this paper, I report the results of the application of generative adversarial networks (GANs), specifically video-to-video translation networks, to computational fluid dynamics (CFD) simulations. The purpose of this research is to reduce the computational cost of CFD simulations with GANs. The architecture of GANs in this research is a combination of the image-to-image translation networks (the so-called "pix2pix") and Long Short-Term Memory (LSTM). It is shown that the results of high-cost and high-accuracy simulations (with high-resolution computational grids) can be estimated from those of low-cost and low-accuracy simulations (with low-resolution grids). In particular, the time evolution of density distributions in the cases of a high-resolution grid is reproduced from that in the cases of a low-resolution grid through GANs, and the density inhomogeneity estimated from the image generated by GANs recovers the ground truth with good accuracy. Qualitative and quantitative comparisons of the results of the proposed method with those of several super-resolution algorithms are also presented.
• Abstract（参考訳）: 近年,人工知能,特にディープラーニングの進化は目覚ましいものであり,様々な分野への応用が急速に進んでいる。 本稿では,GAN,特にビデオ間翻訳ネットワークを計算流体力学(CFD)シミュレーションに適用した結果について報告する。 本研究の目的は,GANを用いたCFDシミュレーションの計算コストを削減することである。 本研究におけるGANのアーキテクチャは、画像間翻訳ネットワーク(いわゆる「ピクセル2ピクセル」)とLong Short-Term Memory(LSTM)の組み合わせである。 高速・高精度シミュレーション(高精細グリッド)の結果は,低コスト・低精細グリッドシミュレーション(低精細グリッド)の結果から推定できることが示されている。 特に、gansを介して低分解能グリッドの場合から高分解能グリッドの場合における密度分布の時間発展を再現し、gansによって生成された画像から推定される密度不均質性は精度良く基底真理を回復する。 また,提案手法といくつかの超解像アルゴリズムの結果の質的,定量的な比較を行った。

関連論文リスト

• Event-Stream Super Resolution using Sigma-Delta Neural Network [0.10923877073891444]
  イベントカメラは、それらが収集するデータの低解像度で疎結合で非同期な性質のため、ユニークな課題を示す。 現在のイベント超解像アルゴリズムは、イベントカメラによって生成された異なるデータ構造に対して完全に最適化されていない。 バイナリスパイクをSigma Delta Neural Networks(SDNNs)と統合する手法を提案する
  論文  参考訳（メタデータ） (2024-08-13T15:25:18Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
  データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。 CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。 グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
  論文  参考訳（メタデータ） (2023-07-10T09:59:35Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• PhySRNet: Physics informed super-resolution network for application in computational solid mechanics [0.0]
  本研究は,物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発を目的とする。 高分解能ラベル付きデータを必要とせずに、高分解能変形場を低分解能変形体から復元することができる。
  論文  参考訳（メタデータ） (2022-06-30T17:51:50Z)
• Super-resolving Dark Matter Halos using Generative Deep Learning [77.79867381335231]
  畳み込みニューラルネットワーク(CNN)上に構築された生成的ディープラーニング手法は、宇宙論における非線形構造を予測する優れたツールを提供する。 本研究では,高分解能暗黒物質ハロを大規模で低分解能暗黒物質のみのシミュレーションから予測する。
  論文  参考訳（メタデータ） (2021-11-11T18:59:07Z)
• A comparative study of various Deep Learning techniques for spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent flows [0.45935798913942893]
  本研究では,様々な最先端機械学習技術を用いて,空間的・時間的に乱流場の超解像解析を行う。 この研究で使用されるデータセットは、ジョンズ・ホプキンス乱流データベースの一部である「等方性1024粗い」データセットから抽出される。
  論文  参考訳（メタデータ） (2021-07-07T17:16:55Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。