論文の概要: A Physics-Informed Vector Quantized Autoencoder for Data Compression of
Turbulent Flow
- arxiv url: http://arxiv.org/abs/2201.03617v2
- Date: Wed, 12 Jan 2022 02:09:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-13 12:21:52.566164
- Title: A Physics-Informed Vector Quantized Autoencoder for Data Compression of
Turbulent Flow
- Title(参考訳): 乱流データ圧縮のための物理式ベクトル量子化オートエンコーダ
- Authors: Mohammadreza Momenifar, Enmao Diao, Vahid Tarokh, Andrew D. Bragg
- Abstract要約: 本研究では,ベクトル量子化に基づく物理インフォームドディープラーニング手法を適用し,乱流から低次元のデータ表現を生成する。
モデルの精度は、統計的・比較的類似度と物理的類似度を用いて評価される。
我々のモデルは、平均二乗誤差(MSE)が$O(10-3)$のCR$=85$と、非常に小さなスケールを除いて流れの統計を忠実に再現する予測を提供する。
- 参考スコア(独自算出の注目度): 28.992515947961593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analyzing large-scale data from simulations of turbulent flows is memory
intensive, requiring significant resources. This major challenge highlights the
need for data compression techniques. In this study, we apply a
physics-informed Deep Learning technique based on vector quantization to
generate a discrete, low-dimensional representation of data from simulations of
three-dimensional turbulent flows. The deep learning framework is composed of
convolutional layers and incorporates physical constraints on the flow, such as
preserving incompressibility and global statistical characteristics of the
velocity gradients. The accuracy of the model is assessed using statistical,
comparison-based similarity and physics-based metrics. The training data set is
produced from Direct Numerical Simulation of an incompressible, statistically
stationary, isotropic turbulent flow. The performance of this lossy data
compression scheme is evaluated not only with unseen data from the stationary,
isotropic turbulent flow, but also with data from decaying isotropic
turbulence, and a Taylor-Green vortex flow. Defining the compression ratio (CR)
as the ratio of original data size to the compressed one, the results show that
our model based on vector quantization can offer CR $=85$ with a mean square
error (MSE) of $O(10^{-3})$, and predictions that faithfully reproduce the
statistics of the flow, except at the very smallest scales where there is some
loss. Compared to the recent study based on a conventional autoencoder where
compression is performed in a continuous space, our model improves the CR by
more than $30$ percent, and reduces the MSE by an order of magnitude. Our
compression model is an attractive solution for situations where fast, high
quality and low-overhead encoding and decoding of large data are required.
- Abstract(参考訳): 乱流のシミュレーションによる大規模データの解析は、メモリ集約的であり、かなりのリソースを必要とする。
この大きな課題は、データ圧縮技術の必要性を強調している。
本研究では,ベクトル量子化に基づく物理インフォームド深層学習手法を適用し,3次元乱流のシミュレーションからデータの離散的,低次元表現を生成する。
ディープラーニングフレームワークは畳み込み層で構成されており、非圧縮性の保持や速度勾配のグローバル統計特性など、フローに対する物理的制約を取り入れている。
モデルの精度は、統計的・比較的類似度と物理的類似度を用いて評価される。
トレーニングデータセットは、非圧縮性、統計的に定常な等方性乱流の直接数値シミュレーションから生成される。
この損失データ圧縮方式の性能は, 定常, 等方性乱流の非検出データのみならず, 減衰する等方性乱流のデータ, テイラー-グリーン渦流によって評価される。
圧縮率 (CR) を圧縮データサイズと圧縮データサイズとの比として定義すると, ベクトル量子化に基づくモデルでは, 平均二乗誤差 (MSE) が$O(10^{-3})$で CR $=85$ となり, 流れの統計を忠実に再現する予測が可能となる。
圧縮を連続的に行う従来のオートエンコーダに基づく最近の研究と比較して,本モデルはcrを30ドル以上改善し,mseを1桁削減する。
当社の圧縮モデルは,高速で高品質,低オーバヘッドエンコーディングと大規模データのデコードが必要な状況において,魅力的なソリューションです。
関連論文リスト
- Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework [0.7223509567556214]
高品質なデータを入力したディープラーニングモデルを用いて,低分解能シミュレーションの品質を向上させる手法を提案する。
我々は、セル中心から顔の値への速度を補間するフィードフォワードニューラルネットワークにより、対流項のデフォルトの差分スキームを置き換える。
ディープラーニングフレームワークには、オープンソースのCFDコードOpenFOAMが組み込まれており、エンドツーエンドの差別化モデルとなっている。
論文 参考訳(メタデータ) (2024-05-13T02:59:50Z) - Compression of Structured Data with Autoencoders: Provable Benefit of
Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。
浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。
CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文 参考訳(メタデータ) (2024-02-07T16:32:29Z) - Fed-CVLC: Compressing Federated Learning Communications with
Variable-Length Codes [54.18186259484828]
フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。
FLの圧縮には可変長が有用であることを示す。
本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
論文 参考訳(メタデータ) (2024-02-06T07:25:21Z) - Deep Learning Closure Models for Large-Eddy Simulation of Flows around
Bluff Bodies [0.0]
大渦シミュレーション(LES)のための深層学習モデルを開発し, 中間レイノルズ数での矩形円筒まわりの非圧縮性流れについて評価した。
DL-LESモデルは, 直接数値シミュレーション(DNS)データと密に一致させるために, 随伴PDE最適化法を用いて訓練される。
本研究では, 抵抗係数, 平均流量, レイノルズ応力を予測するためのDL-LESモデルの精度について検討した。
論文 参考訳(メタデータ) (2022-08-06T11:25:50Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳(メタデータ) (2021-12-07T03:33:39Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳(メタデータ) (2021-08-23T21:03:09Z) - Improving Deep Learning Performance for Predicting Large-Scale
Porous-Media Flow through Feature Coarsening [1.4050836886292868]
このレターは、大規模な3次元多孔質媒質中の流体の流れとして圧力変化を予測するための深層学習(dl)ワークフローを記述する。
物理シミュレーションデータからトレーニングしたDL手法を用いて,フィールドスケールの3次元地質CO貯留層における圧力場を予測する。
論文 参考訳(メタデータ) (2021-05-08T17:58:46Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳(メタデータ) (2021-04-30T02:15:01Z) - Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。
実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文 参考訳(メタデータ) (2021-04-05T21:44:00Z) - DeFlow: Learning Complex Image Degradations from Unpaired Data with
Conditional Flows [145.83812019515818]
本論文では,不対データから画像劣化を学習するDeFlowを提案する。
共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。
共同画像復元と超解像におけるDeFlowの定式化を検証した。
論文 参考訳(メタデータ) (2021-01-14T18:58:01Z)
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。