論文の概要: Learning Similarity Metrics for Volumetric Simulations with Multiscale
CNNs
- arxiv url: http://arxiv.org/abs/2202.04109v1
- Date: Tue, 8 Feb 2022 19:19:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 06:16:24.503381
- Title: Learning Similarity Metrics for Volumetric Simulations with Multiscale
CNNs
- Title(参考訳): 多スケールcnnを用いたボリュームシミュレーションのための学習類似度メトリクス
- Authors: Georg Kohl, Li-Wei Chen, Nils Thuerey
- Abstract要約: 本研究では,エントロピーに基づく類似性モデルを提案する。
我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。
ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 25.253880881581956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulations that produce three-dimensional data are ubiquitous in science,
ranging from fluid flows to plasma physics. We propose a similarity model based
on entropy, which allows for the creation of physically meaningful ground truth
distances for the similarity assessment of scalar and vectorial data, produced
from transport and motion-based simulations. Utilizing two data acquisition
methods derived from this model, we create collections of fields from numerical
PDE solvers and existing simulation data repositories, and highlight the
importance of an appropriate data distribution for an effective training
process. Furthermore, a multiscale CNN architecture that computes a volumetric
similarity metric (VolSiM) is proposed. To the best of our knowledge this is
the first learning method inherently designed to address the challenges arising
for the similarity assessment of high-dimensional simulation data.
Additionally, the tradeoff between a large batch size and an accurate
correlation computation for correlation-based loss functions is investigated,
and the metric's invariance with respect to rotation and scale operations is
analyzed. Finally, the robustness and generalization of VolSiM is evaluated on
a large range of test data, as well as a particularly challenging turbulence
case study, that is close to potential real-world applications.
- Abstract(参考訳): 三次元データを生成するシミュレーションは、流体からプラズマ物理学まで、科学においてユビキタスである。
トランスポートと動きに基づくシミュレーションから得られたスカラーデータとベクトルデータの類似度評価のために,物理的に有意義な基底真理距離の作成を可能にするエントロピーに基づく類似度モデルを提案する。
このモデルから得られた2つのデータ取得手法を用いて、数値PDEソルバと既存のシミュレーションデータレポジトリからフィールドのコレクションを作成し、効果的なトレーニングプロセスにおける適切なデータ配信の重要性を強調する。
さらに,ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
我々の知る限り、これは本質的には高次元シミュレーションデータの類似性評価に起因する課題に対処するために設計された最初の学習方法である。
さらに, 相関に基づく損失関数に対する大規模バッチサイズと正確な相関計算のトレードオフについて検討し, 回転・スケール演算に関する計量の不変性を解析した。
最後に、VolSiMのロバスト性および一般化は、実世界の潜在的な応用に近い、特に困難な乱流ケーススタディと同様に、幅広い試験データに基づいて評価される。
関連論文リスト
- Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。
レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2025-01-31T17:51:14Z) - Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。
科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。
本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
論文 参考訳(メタデータ) (2024-12-10T11:50:46Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - 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) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳(メタデータ) (2021-06-01T08:46:04Z) - PREPRINT: Comparison of deep learning and hand crafted features for
mining simulation data [7.214140640112874]
本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。
このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。
16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
論文 参考訳(メタデータ) (2021-03-11T09:28:00Z) - Learning Similarity Metrics for Numerical Simulations [29.39625644221578]
本稿では,様々な数値シミュレーションソースから得られるデータを比較するため,安定かつ一般化された指標(LSiM)をニューラルネットワークで計算する手法を提案する。
提案手法は,計量の数学的性質を動機としたシームズネットワークアーキテクチャを用いている。
論文 参考訳(メタデータ) (2020-02-18T20:11:15Z) - Using Deep Learning to Explore Local Physical Similarity for
Global-scale Bridging in Thermal-hydraulic Simulation [4.350727579753697]
現在の熱水和コードでは、実際の植物条件をシミュレートする際の信頼性が制限されている。
本稿では,これらの課題を克服するためのデータ駆動型特徴類似度測定FFSMを提案する。
深層学習は局所的な物理的特徴とシミュレーションエラーの関係の構築と探索に応用される。
論文 参考訳(メタデータ) (2020-01-06T20:14:46Z)
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。