論文の概要: Enhancing Dynamic Mode Decomposition Workflow with In-Situ Visualization
and Data Compression
- arxiv url: http://arxiv.org/abs/2208.07767v1
- Date: Tue, 16 Aug 2022 14:26:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 12:59:38.423223
- Title: Enhancing Dynamic Mode Decomposition Workflow with In-Situ Visualization
and Data Compression
- Title(参考訳): その場可視化とデータ圧縮による動的モード分解ワークフローの強化
- Authors: Gabriel F. Barros, Mal\'u Grave, Jos\'e J. Camata, Alvaro L. G. A.
Coutinho
- Abstract要約: 動的モード分解(DMD)は、動的システムから生成された時間的データからコヒーレント構造を抽出することができる。
大規模数値シミュレーションにおけるDMDの強化戦略として, (i) ディスク圧を緩和するスナップショット圧縮, (ii) シミュレーションにおける動的(あるいは実行時の一部)の再構成にin situ視覚化画像を使用することを考える。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern computational science and engineering applications are being improved
by the advances in scientific machine learning. Data-driven methods such as
Dynamic Mode Decomposition (DMD) can extract coherent structures from
spatio-temporal data generated from dynamical systems and infer different
scenarios for said systems. The spatio-temporal data comes as snapshots
containing spatial information for each time instant. In modern engineering
applications, the generation of high-dimensional snapshots can be time and/or
resource-demanding. In the present study, we consider two strategies for
enhancing DMD workflow in large numerical simulations: (i) snapshots
compression to relieve disk pressure; (ii) the use of in situ visualization
images to reconstruct the dynamics (or part of) in runtime. We evaluate our
approaches with two 3D fluid dynamics simulations and consider DMD to
reconstruct the solutions. Results reveal that snapshot compression
considerably reduces the required disk space. We have observed that lossy
compression reduces storage by almost $50\%$ with low relative errors in the
signal reconstructions and other quantities of interest. We also extend our
analysis to data generated on-the-fly, using in-situ visualization tools to
generate image files of our state vectors during runtime. On large simulations,
the generation of snapshots may be slow enough to use batch algorithms for
inference. Streaming DMD takes advantage of the incremental SVD algorithm and
updates the modes with the arrival of each new snapshot. We use streaming DMD
to reconstruct the dynamics from in-situ generated images. We show that this
process is efficient, and the reconstructed dynamics are accurate.
- Abstract(参考訳): 現代の計算科学と工学の応用は、科学機械学習の進歩によって改善されている。
動的モード分解(DMD)のようなデータ駆動手法は、動的システムから生成された時空間データからコヒーレント構造を抽出し、それらのシステムに対して異なるシナリオを推測することができる。
時空間データは、瞬間ごとに空間情報を含むスナップショットとして提供される。
現代のエンジニアリングアプリケーションでは、高次元スナップショットの生成は時間とリソースの要求である。
本研究では,大規模数値シミュレーションにおけるDMDワークフロー向上のための2つの戦略を検討する。
(i)ディスク圧を緩和するための圧縮スナップショット
(II)実行時の動的(または一部)を再構成するためにin situ視覚化画像を使用すること。
我々は, 2つの3次元流体力学シミュレーションを用いてアプローチを評価し,dmdを用いて解を再構成する。
その結果、スナップショット圧縮は必要なディスクスペースを大幅に削減することがわかった。
損失圧縮により、信号再構成の相対誤差が低くなり、ストレージの容量が約50〜%減少することがわかった。
また、オンザフライで生成されたデータに対して分析を拡張し、その場で可視化ツールを使用して実行中に状態ベクトルの画像ファイルを生成する。
大きなシミュレーションでは、スナップショットの生成は推論にバッチアルゴリズムを使用するのに十分遅くなる可能性がある。
Streaming DMDはインクリメンタルなSVDアルゴリズムを活用し、新しいスナップショットの到着に合わせてモードを更新する。
ストリーミングDMDを用いて、その場で生成した画像から動的に再構成する。
このプロセスは効率的であり、再構成されたダイナミクスは正確である。
関連論文リスト
- Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳(メタデータ) (2023-10-29T13:58:57Z) - Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。
提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
論文 参考訳(メタデータ) (2023-10-10T13:46:11Z) - Learning Dynamic MRI Reconstruction with Convolutional Network Assisted
Reconstruction Swin Transformer [0.7802769338493889]
本研究では、4次元MRIのためのRestruction Swin Transformer (RST) という新しいアーキテクチャを提案する。
RSTはビデオスウィントランスのバックボーン設計を継承し、画素の強度を回復するために新しい再構成ヘッドを導入した。
心臓4D MRデータセットの実験的結果は、RTTの優位性をさらに裏付けるものである。
論文 参考訳(メタデータ) (2023-09-19T00:42:45Z) - EfficientSCI: Densely Connected Network with Space-time Factorization
for Large-scale Video Snapshot Compressive Imaging [6.8372546605486555]
圧縮率の高いUHDカラービデオは,PSNRが32dB以上である単一エンドツーエンドのディープラーニングモデルを用いて,スナップショット2次元計測から再構成可能であることを示す。
提案手法は,従来のSOTAアルゴリズムよりも性能が優れ,リアルタイム性能が向上した。
論文 参考訳(メタデータ) (2023-05-17T07:28:46Z) - Learning Dynamic View Synthesis With Few RGBD Cameras [60.36357774688289]
本稿では,RGBDカメラを用いて動的屋内シーンのフリー視点映像を合成することを提案する。
我々は、RGBDフレームから点雲を生成し、それをニューラル機能を介して、自由視点ビデオにレンダリングする。
そこで本研究では,未完成の深度を適応的に塗布して新規なビューを描画する,シンプルなRegional Depth-Inpaintingモジュールを提案する。
論文 参考訳(メタデータ) (2022-04-22T03:17:35Z) - Motion-aware Dynamic Graph Neural Network for Video Compressive Sensing [17.441522549583805]
ビデオスナップショットイメージング(SCI)は、2D検出器を使用してシーケンシャルなビデオフレームをキャプチャし、それらを1つの測定値に圧縮する。
既存の再建手法の多くは、長期の空間的および時間的依存関係をキャプチャできない。
本稿では,空間内の画素間の非局所的相互作用を効率的にモデル化するための,グラフニューラルネットワーク(GNN)に基づくフレキシブルでロバストなアプローチを提案する。
論文 参考訳(メタデータ) (2022-03-01T12:13:46Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳(メタデータ) (2021-11-26T18:44:59Z) - Deep Direct Volume Rendering: Learning Visual Feature Mappings From
Exemplary Images [57.253447453301796]
本稿では,ディープ・ダイレクト・ボリューム・レンダリング(Deep Direct Volume Rendering,DVR)を導入し,ディープ・ニューラル・ネットワークをDVRアルゴリズムに統合する。
潜在色空間におけるレンダリングを概念化し、深層アーキテクチャを用いて特徴抽出と分類のための暗黙マッピングを学習できるようにする。
我々の一般化は、画像空間の例から直接エンドツーエンドにトレーニングできる新しいボリュームレンダリングアーキテクチャを導き出すのに役立つ。
論文 参考訳(メタデータ) (2021-06-09T23:03:00Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。
本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。
エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
論文 参考訳(メタデータ) (2020-02-10T13:13:43Z)
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。