Fugu-MT 論文翻訳(概要): A posteriori learning of quasi-geostrophic turbulence parametrization: an experiment on integration steps

論文の概要: A posteriori learning of quasi-geostrophic turbulence parametrization: an experiment on integration steps

arxiv url: http://arxiv.org/abs/2111.06841v1
Date: Fri, 12 Nov 2021 17:59:52 GMT
ステータス: 処理完了
システム内更新日: 2021-11-15 15:19:46.832011
Title: A posteriori learning of quasi-geostrophic turbulence parametrization: an experiment on integration steps
Title（参考訳）: 準Geostrophic turbulence parametrizationの後方学習:積分過程の実験
Authors: Hugo Frezat, Julien Le Sommer, Ronan Fablet, Guillaume Balarac and Redouane Lguensat
Abstract要約: 本研究では,動的解法と有意義な$textita reari$ベースの損失関数を併用したモデル学習が,安定かつ現実的なシミュレーションに繋がることを示す。
参考スコア（独自算出の注目度）: 4.212677330241214
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modeling the subgrid-scale dynamics of reduced models is a long standing open problem that finds application in ocean, atmosphere and climate predictions where direct numerical simulation (DNS) is impossible. While neural networks (NNs) have already been applied to a range of three-dimensional problems with success, the backward energy transfer of two-dimensional flows still remains a stability issue for trained models. We show that learning a model jointly with the dynamical solver and a meaningful $\textit{a posteriori}$-based loss function lead to stable and realistic simulations when applied to quasi-geostrophic turbulence.
Abstract（参考訳）: 縮小モデルのサブグリッドスケールダイナミクスのモデル化は、直接数値シミュレーション(dns)が不可能である海洋、大気、気候予測に応用できる、長期にわたる問題である。ニューラルネットワーク(nns)はすでに成功した3次元問題に適用されているが、二次元流れの後方エネルギー移動は依然として訓練されたモデルにとって安定性の問題である。動的解法と有意義な$\textit{a posteriori}$-based loss関数を併用してモデルを学ぶことで,準地すべり乱流に適用した場合の安定かつ現実的なシミュレーションが可能になることを示す。

関連論文リスト

CoNFiLD-inlet: Synthetic Turbulence Inflow Using Generative Latent Diffusion Models with Neural Fields [7.646019826936172]
渦解流乱流シミュレーションは、複雑なマルチスケールの乱流構造を正確に再現する流入条件を必要とする。従来のリサイクルベースの手法は計算コストのかかるシミュレーションに頼っているが、既存の合成インフロージェネレータは乱流の現実的なコヒーレント構造を再現できないことが多い。本稿では, 遅延空間を統合し, 現実的な流入乱流を生成する新しいDLベースインフロージェネレータであるCoNFiLD-inletを提案する。
論文参考訳（メタデータ） (2024-11-21T18:13:03Z)
Fourier neural operators for spatiotemporal dynamics in two-dimensional turbulence [3.0954913678141627]
フーリエ・ニューラル演算子(FNO)に基づくモデルと偏微分方程式(PDE)を組み合わせれば,流体力学シミュレーションを高速化できる。また、乱流の長期シミュレーションのために、機械学習モデルによって回避される必要のある純粋にデータ駆動アプローチの落とし穴についても論じる。
論文参考訳（メタデータ） (2024-09-23T02:02:02Z)
Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文参考訳（メタデータ） (2024-05-31T20:05:17Z)
DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文参考訳（メタデータ） (2023-10-11T05:34:36Z)
Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文参考訳（メタデータ） (2023-07-20T05:49:21Z)
Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文参考訳（メタデータ） (2023-05-01T23:20:27Z)
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 Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2023-02-16T06:13:01Z)
Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文参考訳（メタデータ） (2022-06-15T17:29:57Z)
Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文参考訳（メタデータ） (2021-11-02T12:33:42Z)
Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文参考訳（メタデータ） (2021-04-22T19:20:47Z)

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。