論文の概要: Residual-based physics-informed transfer learning: A hybrid method for
accelerating long-term CFD simulations via deep learning
- arxiv url: http://arxiv.org/abs/2206.06817v3
- Date: Sun, 26 Nov 2023 21:59:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 17:56:41.303086
- Title: Residual-based physics-informed transfer learning: A hybrid method for
accelerating long-term CFD simulations via deep learning
- Title（参考訳）: 残留型物理インフォームド・トランスファー・ラーニング:深層学習による長期cfdシミュレーションの高速化
- Authors: Joongoo Jeon, Juhyeong Lee, Ricardo Vinuesa, Sung Joong Kim
- Abstract要約: 自然対流のCFDケーススタディによりRePIT戦略の有効性を検証した。
我々のRePIT戦略は、業界におけるCFDシミュレーションのコストを削減するための有望な手法である。
- 参考スコア（独自算出の注目度）: 0.9217021281095907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While a big wave of artificial intelligence (AI) has propagated to the field
of computational fluid dynamics (CFD) acceleration studies, recent research has
highlighted that the development of AI techniques that reconciles the following
goals remains our primary task: (1) accurate prediction of unseen (future) time
series in long-term CFD simulations (2) acceleration of simulations (3) an
acceptable amount of training data and time (4) within a multiple PDEs
condition. In this study, we propose a residual-based physics-informed transfer
learning (RePIT) strategy to achieve these four objectives using ML-CFD hybrid
computation. Our hypothesis is that long-term CFD simulation is feasible with
the hybrid method where CFD and AI alternately calculate time series while
monitoring the first principle's residuals. The feasibility of RePIT strategy
was verified through a CFD case study on natural convection. In a single
training approach, a residual scale change occurred around 100th timestep,
resulting in predicted time series exhibiting non-physical patterns as well as
a significant deviations from the ground truth. Conversely, RePIT strategy
maintained the residuals within the defined range and demonstrated good
accuracy throughout the entire simulation period. The maximum error from the
ground truth was below 0.4 K for temperature and 0.024 m/s for x-axis velocity.
Furthermore, the average time for 1 timestep by the ML-GPU and CFD-CPU
calculations was 0.171 s and 0.015 s, respectively. Including the
parameter-updating time, the simulation was accelerated by a factor of 1.9. In
conclusion, our RePIT strategy is a promising technique to reduce the cost of
CFD simulations in industry. However, more vigorous optimization and
improvement studies are still necessary.
- Abstract（参考訳）: 人工知能(AI)の大きな波が計算流体力学(CFD)の加速研究の分野に伝播している一方で、最近の研究は、次の目標を再現するAI技術の開発が主要な課題であり、(1)長期CFDシミュレーションにおける未確認(将来の)時系列の正確な予測(2)シミュレーションの加速(3)複数のPDE条件下で許容されるトレーニングデータと時間(4)の量を予測することを強調している。
本研究では、ML-CFDハイブリッド計算を用いて、これらの4つの目的を達成するための残差に基づく物理情報伝達学習(RePIT)戦略を提案する。
我々の仮説は、CFDとAIが第1原理の残差を監視しながら時系列を交互に計算するハイブリッド手法により、長期CFDシミュレーションが実現可能であるというものである。
自然対流のCFDケーススタディによりRePIT戦略の有効性を検証した。
単一のトレーニングアプローチでは、残留スケールの変化が100回程度発生し、予測された時系列が非物理的パターンを示し、また基底の真実からかなりのずれが生じた。
逆にRePITの戦略は、決定範囲内の残差を維持し、シミュレーション期間全体を通して良好な精度を示した。
地上の真理からの最大誤差は、温度0.4K未満、速度0.024m/sである。
さらに,ML-GPUとCFD-CPUの計算時間の平均は0.171秒,0.015秒であった。
パラメータアップ時間を含めると、シミュレーションは1.9倍に加速された。
結論として、我々のRePIT戦略は、業界におけるCFDシミュレーションのコストを削減するための有望な手法である。
しかし、より活発な最適化と改善研究が必要である。
関連論文リスト
- Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - Inverse-Free Fast Natural Gradient Descent Method for Deep Learning [52.0693420699086]
本稿では,第1期における逆転のみを必要とする高速な自然勾配降下法を提案する。
FNGDは1次法の平均和と類似性を示し、FNGDの計算複雑性は1次法に匹敵する。
論文 参考訳（メタデータ） (2024-03-06T05:13:28Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。
本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。
特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文 参考訳（メタデータ） (2023-07-07T15:42:35Z) - 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) - Learning to Accelerate Partial Differential Equations via Latent Global
Evolution [64.72624347511498]
The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。
我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。
更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
論文 参考訳（メタデータ） (2022-06-15T17:31:24Z) - Demystifying the Data Need of ML-surrogates for CFD Simulations [3.0168882791480978]
客車室内の温度分布を予測するためのMLに基づく代理モデルを提案する。
その結果, トレーニングサイズが2000から200に減少しても, 予測精度は高く, 安定していることがわかった。
トレーニングには50個のCFDシミュレーションしか使われていないが、MLサロゲートによって予測される温度傾向はCFDシミュレーションの結果とよく一致している。
論文 参考訳（メタデータ） (2022-05-05T04:37:59Z) - 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) - Finite volume method network for acceleration of unsteady computational
fluid dynamics: non-reacting and reacting flows [0.0]
CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。
反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
論文 参考訳（メタデータ） (2021-05-07T15:33:49Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z)
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。