Fugu-MT 論文翻訳(概要): Physics Informed Machine Learning of SPH: Machine Learning Lagrangian Turbulence

論文の概要: Physics Informed Machine Learning of SPH: Machine Learning Lagrangian Turbulence

arxiv url: http://arxiv.org/abs/2110.13311v1
Date: Mon, 25 Oct 2021 22:57:40 GMT
ステータス: 処理完了
システム内更新日: 2021-10-27 16:14:20.583339
Title: Physics Informed Machine Learning of SPH: Machine Learning Lagrangian Turbulence
Title（参考訳）: SPHの物理インフォームド機械学習:機械学習ラグランジアン乱流
Authors: Michael Woodward, Yifeng Tian, Criston Hyett, Chris Fryer, Daniel Livescu, Mikhail Stepanov, Michael Chertkov
Abstract要約: パラメータ化と「物理説明可能」の学習可能な階層について述べる。スムース粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、流体力学の方程式の近似的な数値解を得るためのメッシュフリーラグランジアン法である。
参考スコア（独自算出の注目度）: 2.6784615269339076
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Smoothed particle hydrodynamics (SPH) is a mesh-free Lagrangian method for obtaining approximate numerical solutions of the equations of fluid dynamics; which has been widely applied to weakly- and strongly compressible turbulence in astrophysics and engineering applications. We present a learn-able hierarchy of parameterized and "physics-explainable" SPH informed fluid simulators using both physics based parameters and Neural Networks (NNs) as universal function approximators. Our learning algorithm develops a mixed mode approach, mixing forward and reverse mode automatic differentiation with forward and adjoint based sensitivity analyses to efficiently perform gradient based optimization. We show that our physics informed learning method is capable of: (a) solving inverse problems over the physically interpretable parameter space, as well as over the space of NN parameters; (b) learning Lagrangian statistics of turbulence (interpolation); (c) combining Lagrangian trajectory based, probabilistic, and Eulerian field based loss functions; and (d) extrapolating beyond training sets into more complex regimes of interest. Furthermore, this hierarchy of models gradually introduces more physical structure, which we show improves interpretability, generalizability (over larger ranges of time scales and Reynolds numbers), preservation of physical symmetries, and requires less training data.
Abstract（参考訳）: スムース粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、流体力学の方程式の近似的な数値解を求めるメッシュフリーラグランジアン法である。本稿では,物理ベースのパラメータとニューラルネットワーク(nns)を共通関数近似器として用いた,パラメータ化および"物理説明可能な"spfインフォームド流体シミュレータの学習可能な階層を提案する。学習アルゴリズムは,前方および逆モードの自動微分と前方および隣接に基づく感度解析を混合し,勾配に基づく最適化を効率的に行う混合モード手法を開発した。物理情報学習法は,次のような能力を持つことを示す。 a) 物理的に解釈可能なパラメータ空間やNNパラメータの空間上の逆問題を解決すること。 (b)乱流のラグランジュ統計学(補間) (c)ラグランジュ軌道に基づく確率的およびユーレウス場に基づく損失関数を組み合わせたもの (d)トレーニングセットを超えて、より複雑な利害体制に外挿すること。さらに,このモデル階層は徐々に物理構造を導入し,解釈性,一般化性(時間スケールやレイノルズ数の拡大),物理対称性の保存,トレーニングデータの削減が期待できる。

関連論文リスト

NeuralODEs for VLEO simulations: Introducing thermoNET for Thermosphere Modeling [4.868863044142366]
サーモネットは、衛星軌道伝播における熱圏密度を表す。ネットワークパラメータは観測されたダイナミクスに基づいて学習され、ODEの感度によって適応する。
論文参考訳（メタデータ） (2024-05-29T09:12:44Z)
Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
論文参考訳（メタデータ） (2024-02-09T09:40:12Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文参考訳（メタデータ） (2023-03-03T08:17:47Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文参考訳（メタデータ） (2023-01-24T08:39:20Z)
Reduced order modeling of parametrized systems through autoencoders and SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文参考訳（メタデータ） (2022-11-13T01:57:18Z)
Hybrid Physical-Neural ODEs for Fast N-body Simulations [0.22419496088582863]
我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
論文参考訳（メタデータ） (2022-07-12T13:06:06Z)
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文参考訳（メタデータ） (2022-04-13T08:53:41Z)
The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
論文参考訳（メタデータ） (2021-07-19T20:18:57Z)
Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。