論文の概要: Exploratory Lagrangian-Based Particle Tracing Using Deep Learning
- arxiv url: http://arxiv.org/abs/2110.08338v1
- Date: Fri, 15 Oct 2021 19:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 01:00:14.478071
- Title: Exploratory Lagrangian-Based Particle Tracing Using Deep Learning
- Title（参考訳）: 深層学習を用いた探索的ラグランジアン粒子追跡
- Authors: Mengjiao Han, Sudhanshu Sane, Chris R. Johnson
- Abstract要約: 本稿では,ラグランジアンフローマップで表される時間変化ベクトル場を探索するディープニューラルネットワークを用いた粒子追跡手法を提案する。
我々のワークフローでは、まずIn situ処理を使用してラグランジュ流図を抽出し、深層ニューラルネットワークは抽出したデータを用いて流れ場の振る舞いを学習する。
精度を保ちながら、時間変化ベクトル場のラグランジュ表現を符号化するには、固定メモリフットプリントが10.5MB必要である。
- 参考スコア（独自算出の注目度）: 4.486141167325432
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time-varying vector fields produced by computational fluid dynamics
simulations are often prohibitively large and pose challenges for accurate
interactive analysis and exploration. To address these challenges, reduced
Lagrangian representations have been increasingly researched as a means to
improve scientific time-varying vector field exploration capabilities. This
paper presents a novel deep neural network-based particle tracing method to
explore time-varying vector fields represented by Lagrangian flow maps. In our
workflow, in situ processing is first utilized to extract Lagrangian flow maps,
and deep neural networks then use the extracted data to learn flow field
behavior. Using a trained model to predict new particle trajectories offers a
fixed small memory footprint and fast inference. To demonstrate and evaluate
the proposed method, we perform an in-depth study of performance using a
well-known analytical data set, the Double Gyre. Our study considers two flow
map extraction strategies as well as the impact of the number of training
samples and integration durations on efficacy, evaluates multiple sampling
options for training and testing and informs hyperparameter settings. Overall,
we find our method requires a fixed memory footprint of 10.5 MB to encode a
Lagrangian representation of a time-varying vector field while maintaining
accuracy. For post hoc analysis, loading the trained model costs only two
seconds, significantly reducing the burden of I/O when reading data for
visualization. Moreover, our parallel implementation can infer one hundred
locations for each of two thousand new pathlines across the entire temporal
resolution in 1.3 seconds using one NVIDIA Titan RTX GPU.
- Abstract（参考訳）: 数値流体力学シミュレーションによって生成される時変ベクトル場は、しばしば非常に大きく、正確な対話的解析と探索に挑戦する。
これらの課題に対処するために、ラグランジアン表現の削減は、科学的な時変ベクトル場探索能力を改善する手段として研究されている。
本稿では,ラグランジアンフローマップで表される時間変化ベクトル場を探索するディープニューラルネットワークを用いた粒子追跡手法を提案する。
我々のワークフローでは、まずIn situ処理を使用してラグランジュ流図を抽出し、深層ニューラルネットワークは抽出したデータを用いて流れ場の振る舞いを学習する。
訓練されたモデルを使用して新しい粒子軌道を予測することで、固定された小さなメモリフットプリントと高速な推論が可能になる。
提案手法を実証し,評価するために,よく知られた分析データセットであるDouble Gyreを用いて,性能の詳細な研究を行う。
本研究では,2つのフローマップ抽出戦略と,トレーニングサンプル数と統合期間が有効性に与える影響を検討し,複数のサンプリングオプションを評価し,ハイパーパラメータの設定に通知する。
全体として,時間変化ベクトル場のラグランジュ表現を符号化するためには,メモリフットプリントが10.5MB必要である。
post hoc分析では、トレーニングされたモデルのロードはわずか2秒で、視覚化のためにデータを読み込む際のi/oの負担を大幅に軽減する。
さらに,1台のnvidia titan rtx gpuを用いて,全時間分解能1.3秒で200個の新しいパスラインに対して100箇所のロケーションを推定する。
関連論文リスト
- Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳（メタデータ） (2023-10-04T09:39:05Z) - AI-assisted Automated Workflow for Real-time X-ray Ptychography Data
Analysis via Federated Resources [2.682578132719034]
大規模リモートコンピューティングリソースと組込みGPUプラットフォームをエッジに使用して,X線写真のために収集したデータのAI/ML高速化リアルタイム解析を可能にする,エンドツーエンドの自動ワークフローを提案する。
論文 参考訳（メタデータ） (2023-04-09T19:11:04Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳（メタデータ） (2021-10-16T02:41:35Z) - Efficient Nearest Neighbor Language Models [114.40866461741795]
非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。
比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
論文 参考訳（メタデータ） (2021-09-09T12:32:28Z) - Time Varying Particle Data Feature Extraction and Tracking with Neural
Networks [20.825102707056647]
我々は, 特徴抽出と追跡を支援するために, 科学的粒子データのための特徴表現を作成するために, 深層学習アプローチを採用する。
本研究では,局所近傍における空間的位置と物理的属性の関係を表現するために,潜在ベクトルを生成する深層学習モデルを用いる。
高速な特徴追跡を実現するために,特徴空間に平均シフト追跡アルゴリズムを適用した。
論文 参考訳（メタデータ） (2021-05-27T15:38:14Z) - Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。
scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
論文 参考訳（メタデータ） (2021-05-10T23:51:14Z) - Neural Particle Image Velocimetry [4.416484585765027]
本稿では,この問題に適応した畳み込みニューラルネットワーク,すなわちボリューム対応ネットワーク(VCN)を紹介する。
ネットワークは、合成データと実フローデータの両方を含むデータセット上で、徹底的にトレーニングされ、テストされる。
解析の結果,提案手法は現場における他の最先端手法と同等の精度を保ちながら,効率の向上を図っている。
論文 参考訳（メタデータ） (2021-01-28T12:03:39Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Faster object tracking pipeline for real time tracking [0.0]
マルチオブジェクトトラッキング(MOT)は、視覚ベースのアプリケーションにとって難しい実践的問題である。
本稿では,検出に基づく物体追跡手法の高速化に有効な汎用パイプラインについて紹介する。
論文 参考訳（メタデータ） (2020-11-08T06:33:48Z) - Active Learning over DNN: Automated Engineering Design Optimization for
Fluid Dynamics Based on Self-Simulated Dataset [4.4074213830420055]
本研究は,様々な制約下での性能を予測するために,テストによるディープラーニングアーキテクチャを適用した。
最大の課題は、Deep Neural Network(DNN)の要求する膨大なデータポイントである。
最終段階であるユーザインタフェースは、最小領域と粘度を与えられたユーザ入力で最適化できるモデルを作った。
論文 参考訳（メタデータ） (2020-01-18T07:35:00Z)
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。