Fugu-MT 論文翻訳(概要): Inferring Turbulent Parameters via Machine Learning

論文の概要: Inferring Turbulent Parameters via Machine Learning

arxiv url: http://arxiv.org/abs/2201.00732v1
Date: Mon, 3 Jan 2022 16:08:48 GMT
ステータス: 処理完了
システム内更新日: 2022-01-16 17:05:04.218525
Title: Inferring Turbulent Parameters via Machine Learning
Title（参考訳）: 機械学習による乱流パラメータの推定
Authors: Michele Buzzicotti, Fabio Bonaccorso and Luca Biferale
Abstract要約: 本研究では,乱流の観測から物理パラメータを推定する一般的な問題を解決するため,機械学習手法を設計する。我々のアプローチは、フローの基準フレームの回転頻度を抑えるために機械学習システムを訓練することである。本研究は2つの異なる視点から興味深い結果を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We design a machine learning technique to solve the general problem of inferring physical parameters from the observation of turbulent flows, a relevant exercise in many theoretical and applied fields, from engineering to earth observation and astrophysics. Our approach is to train the machine learning system to regress the rotation frequency of the flow's reference frame, from the observation of the flow's velocity amplitude on a 2d plane extracted from the 3d domain. The machine learning approach consists of a Deep Convolutional Neural Network (DCNN) of the same kind developed in computer vision. The training and validation datasets are produced by means of fully resolved direct numerical simulations. This study shows interesting results from two different points of view. From the machine learning point of view it shows the potential of DCNN, reaching good results on such a particularly complex problem that goes well outside the limits of human vision. Second, from the physics point of view, it provides an example on how machine learning can be exploited in data analysis to infer information that would be inaccessible otherwise. Indeed, by comparing DCNN with the other possible Bayesian approaches, we find that DCNN yields to a much higher inference accuracy in all the examined cases.
Abstract（参考訳）: 我々は,工学から地球観測,天体物理学に至るまで,多くの理論および応用分野において,乱流の観測から物理パラメータを推定する一般的な問題を解決するための機械学習手法を設計する。本研究では,3次元領域から抽出した2次元平面上での流れの速度振幅の観測から,フローの基準フレームの回転周波数を回帰させるように機械学習システムを訓練する。機械学習アプローチは、コンピュータビジョンで開発されたのと同じ種類のディープ畳み込みニューラルネットワーク(DCNN)で構成されている。トレーニングと検証データセットは、完全に解決された直接数値シミュレーションによって生成される。本研究は2つの異なる視点から興味深い結果を示す。機械学習の観点から見れば、それはDCNNの可能性を示し、人間のビジョンの限界を超えた、特に複雑な問題に関して良い結果を得る。第二に、物理学の観点からは、データ分析において機械学習をどのように活用して、アクセス不能な情報を推測するかの例を提供する。実際、DCNNと他のベイズ的アプローチを比較することで、すべての検査例において、DCNNの方がはるかに高い推論精度が得られることが分かる。

関連論文リスト

Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
論文参考訳（メタデータ） (2024-06-18T16:37:44Z)
Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-01-19T21:50:32Z)
Three-dimensional granular flow simulation using graph neural network-based learned simulator [2.153852088624324]
グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。 GNSの速度は300倍の高忠実度数値シミュレータを上回る。
論文参考訳（メタデータ） (2023-11-13T15:54:09Z)
E($3$) Equivariant Graph Neural Networks for Particle-Based Fluid Mechanics [2.1401663582288144]
等変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができることを示した。 3次元崩壊するテイラー・グリーン渦と3次元逆ポアゼイユ流の2つのよく研究された流れ系をベンチマークした。
論文参考訳（メタデータ） (2023-03-31T21:56:35Z)
Deep learning of spatial densities in inhomogeneous correlated quantum systems [0.0]
ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
論文参考訳（メタデータ） (2022-11-16T17:10:07Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Positional Encoding Augmented GAN for the Assessment of Wind Flow for Pedestrian Comfort in Urban Areas [0.41998444721319217]
本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
論文参考訳（メタデータ） (2021-12-15T19:37:11Z)
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)
Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
論文参考訳（メタデータ） (2020-06-16T15:07:25Z)
Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文参考訳（メタデータ） (2020-06-09T17:14:08Z)
Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。