Fugu-MT 論文翻訳(概要): JAX-FLUIDS: A fully-differentiable high-order computational fluid dynamics solver for compressible two-phase flows

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

Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文参考訳（メタデータ） (2024-08-22T07:33:11Z)
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)
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)
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)
A fully-differentiable compressible high-order computational fluid dynamics solver [0.0]
圧縮可能なナビエ・ストークス方程式は圧縮可能な流れを制御し、乱流や衝撃のような複雑な現象を許容する。ハードウェアとソフトウェアが著しく進歩したにもかかわらず、流体流の最小のスケールでは、現実のアプリケーションでは計算コストが禁じられている。本稿では,高次数値計算法を用いて圧縮性流体の計算を行うための,完全微分可能な3次元フレームワークを提案する。
論文参考訳（メタデータ） (2021-12-09T15:18:51Z)
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。