論文の概要: JAX-FLUIDS: A fully-differentiable high-order computational fluid
dynamics solver for compressible two-phase flows
- arxiv url: http://arxiv.org/abs/2203.13760v1
- Date: Fri, 25 Mar 2022 16:38:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 14:42:41.340273
- Title: JAX-FLUIDS: A fully-differentiable high-order computational fluid
dynamics solver for compressible two-phase flows
- Title(参考訳): JAX-FLUIDS:圧縮性二相流に対する完全微分可能な高次計算流体力学解法
- Authors: Deniz A. Bezgin, Aaron B. Buhendwa, Nikolaus A. Adams
- Abstract要約: 圧縮性二相流に対する包括的Python CFDソルバであるJAX-FLUIDSを提案する。
JAX-FLUIDSは3次元乱流、圧縮性効果、二相流などの現象を伴う複雑な流体力学のシミュレーションを可能にする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Physical systems are governed by partial differential equations (PDEs). The
Navier-Stokes equations describe fluid flows and are representative of
nonlinear physical systems with complex spatio-temporal interactions. Fluid
flows are omnipresent in nature and engineering applications, and their
accurate simulation is essential for providing insights into these processes.
While PDEs are typically solved with numerical methods, the recent success of
machine learning (ML) has shown that ML methods can provide novel avenues of
finding solutions to PDEs. ML is becoming more and more present in
computational fluid dynamics (CFD). However, up to this date, there does not
exist a general-purpose ML-CFD package which provides 1) powerful
state-of-the-art numerical methods, 2) seamless hybridization of ML with CFD,
and 3) automatic differentiation (AD) capabilities. AD in particular is
essential to ML-CFD research as it provides gradient information and enables
optimization of preexisting and novel CFD models. In this work, we propose
JAX-FLUIDS: a comprehensive fully-differentiable CFD Python solver for
compressible two-phase flows. JAX-FLUIDS allows the simulation of complex fluid
dynamics with phenomena like three-dimensional turbulence, compressibility
effects, and two-phase flows. Written entirely in JAX, it is straightforward to
include existing ML models into the proposed framework. Furthermore, JAX-FLUIDS
enables end-to-end optimization. I.e., ML models can be optimized with
gradients that are backpropagated through the entire CFD algorithm, and
therefore contain not only information of the underlying PDE but also of the
applied numerical methods. We believe that a Python package like JAX-FLUIDS is
crucial to facilitate research at the intersection of ML and CFD and may pave
the way for an era of differentiable fluid dynamics.
- Abstract(参考訳): 物理系は偏微分方程式(PDE)によって支配される。
ナビエ・ストークス方程式は流体の流れを記述し、複雑な時空間相互作用を持つ非線形物理系を表す。
流体流動は自然と工学の応用において一様であり、それらの正確なシミュレーションはこれらのプロセスに関する洞察を与えるのに不可欠である。
PDEは一般に数値解法で解決されるが、近年の機械学習(ML)の成功により、ML手法はPDEの解を見つけるための新しい方法をもたらすことが示されている。
計算流体力学(CFD)では、MLがますます多くなっている。
しかし、現在まで、汎用的なML-CFDパッケージが存在しない。
1)最先端の数値計算方法
2)CFDによるMLのシームレスなハイブリッド化
3)自動分化(AD)機能。
特にADは、勾配情報を提供し、既存の新しいCFDモデルの最適化を可能にするため、ML-CFD研究に不可欠である。
本研究では,圧縮性二相流に対する完全微分可能CFD PythonソルバであるJAX-FLUIDSを提案する。
JAX-FLUIDSは3次元乱流、圧縮性効果、二相流などの現象を伴う複雑な流体力学のシミュレーションを可能にする。
jax で完全に書かれており、既存の ml モデルを提案フレームワークに組み込むことは簡単である。
さらに、JAX-FLUIDSはエンドツーエンドの最適化を可能にします。
すなわち、MLモデルはCFDアルゴリズム全体を通して逆伝播される勾配で最適化することができ、従って、基礎となるPDEの情報だけでなく、応用数値法も含む。
JAX-FLUIDSのようなPythonパッケージは、MLとCFDの交差点での研究を促進するために不可欠であり、微分可能な流体力学の時代への道を開くかもしれない。
関連論文リスト
- JAX-Fluids 2.0: Towards HPC for Differentiable CFD of Compressible
Two-phase Flows [0.0]
JAX-Fluidsは、圧縮可能な単相および二相フロー用に設計されたPythonベースの完全微分可能CFDソルバである。
我々は、GPU(NVIDIA A100グラフィックスカード最大512)とTPU(最大1024 TPU v3コア)のHPCシステム上で効率よくスケールするJAXプリミティブ演算を利用した並列化戦略を導入する。
新しいコードバージョンは、強化された2相フローモデリング機能を提供する。
論文 参考訳(メタデータ) (2024-02-07T19:05:27Z) - Differentiable Turbulence II [0.0]
そこで我々は,Navier-Stokes方程式を解くために,ディープラーニングモデルを汎用有限要素数値スキームに統合するためのフレームワークを開発した。
学習したクロージャは、より微細なグリッド上の従来の大規模渦シミュレーションに匹敵する精度で10倍のスピードアップを達成できることを示す。
論文 参考訳(メタデータ) (2023-07-25T14:27:49Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳(メタデータ) (2023-06-22T14:07:54Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳(メタデータ) (2022-10-26T00:23:36Z) - Data-driven, multi-moment fluid modeling of Landau damping [6.456946924438425]
プラズマ系の流体偏微分方程式(PDE)を学習するために,ディープラーニングアーキテクチャを適用した。
学習した多モーメント流体PDEはランダウ減衰などの運動効果を取り入れることを示した。
論文 参考訳(メタデータ) (2022-09-10T19:06:12Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳(メタデータ) (2021-06-10T13:07:33Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - DiscretizationNet: A Machine-Learning based solver for Navier-Stokes
Equations using Finite Volume Discretization [0.7366405857677226]
この研究の目的はMLベースのPDEソルバを開発することであり、既存のPDEソルバと機械学習技術の重要な特徴を結合させることである。
我々のML-ソルバであるDiscretizationNetは、PDE変数を入力と出力の両方の特徴として、生成CNNベースのエンコーダデコーダモデルを採用している。
ML-ゾルバの安定性と収束性を改善するために,ネットワークトレーニング中に新しい反復能力を実装した。
論文 参考訳(メタデータ) (2020-05-17T19:54:19Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。