論文の概要: Differentiable physics-enabled closure modeling for Burgers' turbulence
- arxiv url: http://arxiv.org/abs/2209.11614v1
- Date: Fri, 23 Sep 2022 14:38:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 17:34:33.358512
- Title: Differentiable physics-enabled closure modeling for Burgers' turbulence
- Title（参考訳）: バーガース乱流の微分可能な物理対応クロージャモデル
- Authors: Varun Shankar, Vedant Puri, Ramesh Balakrishnan, Romit Maulik,
Venkatasubramanian Viswanathan
- Abstract要約: 本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven turbulence modeling is experiencing a surge in interest following
algorithmic and hardware developments in the data sciences. We discuss an
approach using the differentiable physics paradigm that combines known physics
with machine learning to develop closure models for Burgers' turbulence. We
consider the 1D Burgers system as a prototypical test problem for modeling the
unresolved terms in advection-dominated turbulence problems. We train a series
of models that incorporate varying degrees of physical assumptions on an a
posteriori loss function to test the efficacy of models across a range of
system parameters, including viscosity, time, and grid resolution. We find that
constraining models with inductive biases in the form of partial differential
equations that contain known physics or existing closure approaches produces
highly data-efficient, accurate, and generalizable models, outperforming
state-of-the-art baselines. Addition of structure in the form of physics
information also brings a level of interpretability to the models, potentially
offering a stepping stone to the future of closure modeling.
- Abstract（参考訳）: データ科学におけるアルゴリズムとハードウェアの発展に続いて、データ駆動乱流モデリングへの関心が高まっている。
我々は,バーガーズ乱流の閉包モデルを開発するために,既知の物理と機械学習を組み合わせた微分可能な物理パラダイムを用いたアプローチについて論じる。
本研究では, 1D Burgers システムを, 対流支配乱流問題における未解決項をモデル化するための原型的テスト問題とみなす。
我々は,a後方損失関数に様々な物理的仮定を組み込んだ一連のモデルを訓練し,粘性,時間,グリッド解像度など,様々なシステムパラメータにおけるモデルの有効性を検証した。
既知の物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成し、最先端のベースラインを上回ります。
物理情報の形で構造を加えることは、モデルに解釈可能性のレベルをもたらし、閉包モデリングの将来への一歩となる可能性がある。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - DPA-WNO: A gray box model for a class of stochastic mechanics problem [1.0878040851638]
我々は、新しい微分可能物理拡張ウェーブレットニューラル演算子(DPA-WNO)を提案する。
提案したDPA-WNOは、異なる物理解法とウェーブレットニューラル演算子(WNO)をブレンドし、WNOの役割は、欠落した物理をモデル化することである。
これにより、WNOがデータから学習する能力を活用するとともに、物理ベースの解法に関連する解釈可能性や一般化可能性を維持することができる。
論文 参考訳（メタデータ） (2023-09-24T11:15:06Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Surrogate Modeling for Physical Systems with Preserved Properties and
Adjustable Tradeoffs [0.0]
代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。
後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。
我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
論文 参考訳（メタデータ） (2022-02-02T17:07:02Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - 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) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。