Fugu-MT 論文翻訳(概要): Physics-aware Reduced-order Modeling of Transonic Flow via $\beta$-Variational Autoencoder

論文の概要: Physics-aware Reduced-order Modeling of Transonic Flow via $\beta$-Variational Autoencoder

arxiv url: http://arxiv.org/abs/2205.00608v1
Date: Mon, 2 May 2022 01:33:17 GMT
ステータス: 処理完了
システム内更新日: 2022-05-03 16:38:06.439384
Title: Physics-aware Reduced-order Modeling of Transonic Flow via $\beta$-Variational Autoencoder
Title（参考訳）: $\beta$-Variational Autoencoderによる超音速流れの低次モデリング
Authors: Yu-Eop Kang, Sunwoong Yang, Kwanjung Yee
Abstract要約: 本研究では,この問題に対処するために,$beta$-variational autoencoder を用いた物理対応低次モデリングを提案する。また、これらの「物理認識」LVはデータセットの生成要因である物理パラメータに対応することが確認された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autoencoder-based reduced-order modeling has recently attracted significant attention, owing to the ability to capture underlying nonlinear features. However, its uninterpretable latent variables (LVs) severely undermine the applicability to various physical problems. This study proposes physics-aware reduced-order modeling using a $\beta$-variational autoencoder to address this issue. The presented approach can quantify the rank and independence of LVs, which is validated both quantitatively and qualitatively using various techniques. Accordingly, LVs containing interpretable physical features were successfully identified. It was also verified that these "physics-aware" LVs correspond to the physical parameters that are the generating factors of the dataset, i.e., the Mach number and angle of attack in this study. Moreover, the effects of these physics-aware LVs on the accuracy of reduced-order modeling were investigated, which verified the potential of this method to alleviate the computational cost of the offline stage by excluding physics-unaware LVs.
Abstract（参考訳）: オートエンコーダをベースとした低次モデリングは, 非線形特徴を捉える能力から近年注目されている。しかし、その非解釈潜在変数(LV)は、様々な物理的問題への適用性を著しく損なう。本研究では,この問題に対処するために,$\beta$-variational autoencoderを用いた物理認識型低次モデリングを提案する。提案手法はLVのランクと独立性を定量化し,様々な手法を用いて定量的かつ質的に検証する。そこで,解釈可能な物理的特徴を含むLVの同定に成功した。また,これらの「物理認識」lvは,データセットの生成要因である物理パラメータ,すなわちマッハ数と攻撃角に対応していることを確認した。さらに, これらの物理認識型LVが低次モデリングの精度に及ぼす影響について検討し, 物理認識型LVを除外することにより, オフラインステージの計算コストを軽減できる可能性を検証した。

関連論文リスト

DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文参考訳（メタデータ） (2024-03-04T07:09:54Z)
Discovering Artificial Viscosity Models for Discontinuous Galerkin Approximation of Conservation Laws using Physics-Informed Machine Learning [0.0]
人工粘度モデルの発見を自動化する物理インフォームド機械学習アルゴリズムを提案する。このアルゴリズムは強化学習にインスパイアされ、細胞ごとに作用するニューラルネットワークを訓練する。このアルゴリズムは,最先端のルンゲ・クッタ不連続ガレルキン解法に組み込むことで有効であることを示す。
論文参考訳（メタデータ） (2024-02-26T11:58:02Z)
Explaining the Machine Learning Solution of the Ising Model [0.0]
この研究は、統計物理学における機械学習(ML)研究の主要なターゲットである強磁性イジングモデルに対してどのように達成できるかを示す。隠れた層を持たないニューラルネットワーク(NN)を使用し(最も単純な)、ハミルトニアンの対称性によって情報を伝達することにより、教師付き学習ソリューションを見つけるための戦略を説明する。これらの結果は、物理インフォームドされた説明可能な一般化されたフレームワークへの道を開き、モデルのパラメータから物理法則と原理を抽出することができる。
論文参考訳（メタデータ） (2024-02-18T20:47:33Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
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)
Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
論文参考訳（メタデータ） (2021-12-10T12:39:07Z)
Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文参考訳（メタデータ） (2021-10-26T14:26:25Z)
Kinematically consistent recurrent neural networks for learning inverse problems in wave propagation [0.0]
そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
論文参考訳（メタデータ） (2021-10-08T05:51:32Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。