論文の概要: The Potential of Machine Learning to Enhance Computational Fluid Dynamics

• arxiv url: http://arxiv.org/abs/2110.02085v1
• Date: Tue, 5 Oct 2021 14:34:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 13:55:19.695711
• Title: The Potential of Machine Learning to Enhance Computational Fluid Dynamics
• Title（参考訳）: 計算流体力学強化のための機械学習の可能性
• Authors: Ricardo Vinuesa and Steven L. Brunton
• Abstract要約: 機械学習は、科学コンピューティングの中核技術になりつつある。 本稿では, 直接数値シミュレーションの高速化など, 影響の大きい分野をいくつか取り上げる。 コミュニティは、オープンソースソフトウェアのためのベンチマークシステムとベストプラクティスを引き続き確立することが不可欠である。
• 参考スコア（独自算出の注目度）: 0.696194614504832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is rapidly becoming a core technology for scientific computing, with numerous opportunities to advance the field of computational fluid dynamics. This paper highlights some of the areas of highest potential impact, including to accelerate direct numerical simulations, to improve turbulence closure modelling, and to develop enhanced reduced-order models. In each of these areas, it is possible to improve machine learning capabilities by incorporating physics into the process, and in turn, to improve the simulation of fluids to uncover new physical understanding. Despite the promise of machine learning described here, we also note that classical methods are often more efficient for many tasks. We also emphasize that in order to harness the full potential of machine learning to improve computational fluid dynamics, it is essential for the community to continue to establish benchmark systems and best practices for open-source software, data sharing, and reproducible research.
• Abstract（参考訳）: 機械学習は、計算流体力学の分野を前進させる多くの機会を持つ、科学計算のコア技術になりつつある。 本稿では, 直接数値シミュレーションの高速化, 乱流閉包モデルの改善, 改良された減数次モデルの開発など, 潜在的影響の最も大きい分野について紹介する。 これらの領域において、物理をプロセスに組み込むことで機械学習能力を向上させることができ、さらに流体のシミュレーションを改善して新しい物理理解を明らかにすることができる。 ここで説明する機械学習の約束にもかかわらず、古典的な手法は多くの場合、多くのタスクに対して効率的である。 また、機械学習の可能性を最大限に活用して計算流体力学を改善するためには、コミュニティがオープンソースソフトウェアやデータ共有、再現可能な研究のためのベンチマークシステムやベストプラクティスを確立し続けることが不可欠であることを強調する。

関連論文リスト

• Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
  現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。 本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。 本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
  論文  参考訳（メタデータ） (2024-06-13T05:49:29Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• On the Relationships between Graph Neural Networks for the Simulation of Physical Systems and Classical Numerical Methods [0.0]
  物理システムのモデリングにおける機械学習手法の最近の発展は、計算科学における数値的手法の過去の発展を反映し始めている。 現状の機械学習手法にはまだ適用されていないシミュレーション手法の概要を述べる。 我々は、科学のための機械学習モデルをより効率的にするためのこれらのアプローチの可能性について、展望を提示して結論付ける。
  論文  参考訳（メタデータ） (2023-03-31T21:51:00Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Prospects of federated machine learning in fluid dynamics [0.0]
  近年、機械学習は、データサイエンスの急速な発展により、流体コミュニティにルネッサンスを与えている。 本稿では,集約された共有予測モデルとの協調学習を可能にする,フェデレートされた機械学習手法を提案する。 本研究では、時間場再構築のための深層学習サロゲートモデルの構築をめざして、このような分散学習アプローチの実現可能性と展望を実証する。
  論文  参考訳（メタデータ） (2022-08-15T06:15:04Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Opportunities for Machine Learning to Accelerate Halide Perovskite Commercialization and Scale-Up [5.5532399751725]
  ハロゲン化ペロブスカイトの商業化を妨げる実用的課題を概観する。 機械学習(ML)ツールがどのように役立つかについて論じる。 MLツールを特定の業界のニーズに適応させる上で、業界と学術のパートナーシップがいかに役立つかを提案する。
  論文  参考訳（メタデータ） (2021-10-08T06:35:46Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• 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)
• Physics guided machine learning using simplified theories [0.0]
  機械学習、特にディープラーニングの最近の応用は、物理科学における統計推論アプローチの汎用性に対処する必要性を動機付ける。 このようなデータ駆動予測エンジンの精度を向上させるために,モジュール型物理誘導機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-18T21:30:40Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。