論文の概要: Neural Implicit Flow: a mesh-agnostic dimensionality reduction paradigm
of spatio-temporal data
- arxiv url: http://arxiv.org/abs/2204.03216v1
- Date: Thu, 7 Apr 2022 05:02:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-09 04:25:19.458625
- Title: Neural Implicit Flow: a mesh-agnostic dimensionality reduction paradigm
of spatio-temporal data
- Title（参考訳）: ニューラルインプリシットフロー:時空間データのメッシュ非依存次元減少パラダイム
- Authors: Shaowu Pan, Steven L. Brunton, J. Nathan Kutz
- Abstract要約: 本稿では,大規模・パラメトリック・時空間データに対してメッシュに依存しない低ランクな表現を可能にするNeural Implicit Flow (NIF) というフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.996878640124385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-dimensional spatio-temporal dynamics can often be encoded in a
low-dimensional subspace. Engineering applications for modeling,
characterization, design, and control of such large-scale systems often rely on
dimensionality reduction to make solutions computationally tractable in
real-time. Common existing paradigms for dimensionality reduction include
linear methods, such as the singular value decomposition (SVD), and nonlinear
methods, such as variants of convolutional autoencoders (CAE). However, these
encoding techniques lack the ability to efficiently represent the complexity
associated with spatio-temporal data, which often requires variable geometry,
non-uniform grid resolution, adaptive meshing, and/or parametric
dependencies.To resolve these practical engineering challenges, we propose a
general framework called Neural Implicit Flow (NIF) that enables a
mesh-agnostic, low-rank representation of large-scale, parametric,
spatial-temporal data. NIF consists of two modified multilayer perceptrons
(MLPs): (i) ShapeNet, which isolates and represents the spatial complexity, and
(ii) ParameterNet, which accounts for any other input complexity, including
parametric dependencies, time, and sensor measurements. We demonstrate the
utility of NIF for parametric surrogate modeling, enabling the interpretable
representation and compression of complex spatio-temporal dynamics, efficient
many-spatial-query tasks, and improved generalization performance for sparse
reconstruction.
- Abstract（参考訳）: 高次元時空間力学はしばしば低次元部分空間に符号化される。
このような大規模システムのモデリング、キャラクタリゼーション、設計、制御のための工学的応用は、リアルタイムに解を計算可能なものにするために、しばしば次元の縮小に依存する。
次元減少のための一般的なパラダイムには、特異値分解(SVD)のような線形法や、畳み込みオートエンコーダ(CAE)の変種のような非線形法がある。
しかし、これらの符号化技術は、可変幾何学、非一様格子分解、適応メッシュ化、パラメトリック依存性を必要とする時空間データに関連する複雑さを効率的に表現する能力に欠けており、これらの実用的なエンジニアリング課題を解決するために、大規模、パラメトリック、空間時空間データのメッシュ非依存、低ランク表現を可能にするneural implicit flow(nif)と呼ばれる汎用フレームワークを提案する。
NIFは2つの修飾多層パーセプトロン(MLP)から構成される。
(i)空間的複雑さを分離し表現するシェープネット
(ii)パラメータネットは、パラメトリック依存性、時間、センサー測定など、他の入力の複雑さを考慮している。
パラメトリックサーロゲートモデリングにおけるnifの有用性を実証し,複雑な時空間ダイナミクスの解釈可能表現と圧縮,多空間クエリタスクの効率化,スパース再構成のための一般化性能の向上を実現した。
関連論文リスト
- Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。
我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
論文 参考訳（メタデータ） (2024-09-19T01:47:04Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Reduced order modeling of parametrized systems through autoencoders and
SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。
提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。
これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文 参考訳（メタデータ） (2022-11-13T01:57:18Z) - Non-linear Independent Dual System (NIDS) for Discretization-independent
Surrogate Modeling over Complex Geometries [0.0]
非線形独立双対系(Non-linear independent dual system、NIDS)は、PDEソリューションの離散化独立で連続的な表現のための深層学習サロゲートモデルである。
NIDSは複雑な可変ジオメトリとメッシュトポロジを持つドメインの予測に使用できる。
テストケースには、複雑な幾何学とデータ不足を伴う車両の問題が含まれており、訓練方法によって実現されている。
論文 参考訳（メタデータ） (2021-09-14T23:38:41Z) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳（メタデータ） (2021-07-13T16:05:28Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳（メタデータ） (2021-02-16T04:07:13Z) - Non-intrusive surrogate modeling for parametrized time-dependent PDEs
using convolutional autoencoders [0.0]
パラメータ化時間依存PDEによる複雑系の予測モデリングのための機械学習に基づく非侵襲的代理モデリング手法を提案する。
我々は、畳み込みオートエンコーダをフィードフォワードニューラルネットワークと組み合わせて、問題のパラメトリック空間から解空間への低コストで正確なマッピングを確立する。
論文 参考訳（メタデータ） (2021-01-14T11:34:58Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - Physics-aware registration based auto-encoder for convection dominated
PDEs [6.85316573653194]
本稿では,対流に支配される非線形物理系から生じる解の次元性を具体的に低減する物理認識型自動エンコーダを提案する。
種々の製造・物理システム上での拡散・スケーリングから対流・対流を分離するためのアプローチの有効性と解釈性を示す。
論文 参考訳（メタデータ） (2020-06-28T16:58:21Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2020-06-15T09:15:54Z)
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。