論文の概要: Accelerating hypersonic reentry simulations using deep learning-based hybridization (with guarantees)

• arxiv url: http://arxiv.org/abs/2209.13434v1
• Date: Tue, 27 Sep 2022 14:41:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:06:40.836166
• Title: Accelerating hypersonic reentry simulations using deep learning-based hybridization (with guarantees)
• Title（参考訳）: 深層学習に基づくハイブリッド化による超音速再突入シミュレーション(保証付き)
• Authors: Paul Novello, Ga\"el Po\"ette, David Lugato, Simon Peluchon, Pietro Marco Congedo
• Abstract要約: 我々は流体力学と化学反応のカップリングを伴う超音速惑星再突入問題に焦点を当てた。 化学反応のシミュレーションには計算時間の大半を要するが、正確な予測を得るためには避けられない。 従来の流体力学解法と化学反応を近似したニューラルネットワークを結合したハイブリッドシミュレーション符号を設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we are interested in the acceleration of numerical simulations. We focus on a hypersonic planetary reentry problem whose simulation involves coupling fluid dynamics and chemical reactions. Simulating chemical reactions takes most of the computational time but, on the other hand, cannot be avoided to obtain accurate predictions. We face a trade-off between cost-efficiency and accuracy: the simulation code has to be sufficiently efficient to be used in an operational context but accurate enough to predict the phenomenon faithfully. To tackle this trade-off, we design a hybrid simulation code coupling a traditional fluid dynamic solver with a neural network approximating the chemical reactions. We rely on their power in terms of accuracy and dimension reduction when applied in a big data context and on their efficiency stemming from their matrix-vector structure to achieve important acceleration factors ($\times 10$ to $\times 18.6$). This paper aims to explain how we design such cost-effective hybrid simulation codes in practice. Above all, we describe methodologies to ensure accuracy guarantees, allowing us to go beyond traditional surrogate modeling and to use these codes as references.
• Abstract（参考訳）: 本稿では,数値シミュレーションの高速化に関心がある。 流体力学と化学反応の結合をシミュレーションする極超音速惑星再突入問題に着目する。 化学反応をシミュレートするにはほとんどの計算時間を要するが、その一方で正確な予測を得るためには避けられない。 我々はコスト効率と精度のトレードオフに直面している。シミュレーションコードは運用環境で使用するのに十分な効率でなければならないが、その現象を忠実に予測するには十分正確である。 このトレードオフに対処するために,従来の流体力学解法と化学反応を近似するニューラルネットワークを結合したハイブリッドシミュレーションコードを設計する。 私たちは、ビッグデータのコンテキストに適用した場合の精度と寸法の削減、および行列ベクトル構造に起因する効率の面で、重要な加速係数を達成するために、そのパワーに依存しています(\times 10$から$\times 18.6$)。 本稿では,このようなコスト効率のよいハイブリッドシミュレーションコードを実際にどのように設計するかを説明する。 とりわけ、精度を保証するための方法論を説明し、従来のサロゲートモデリングを超えて、これらのコードを参照として使用できるようにします。

関連論文リスト

• COmoving Computer Acceleration (COCA): $N$-body simulations in an emulated frame of reference [0.0]
  我々は,ハイブリッドフレームワークであるComoving Computer Acceleration (COCA)を紹介した。 正確な運動方程式は、基準のエミュレートされたフレームで解き、任意のエミュレーション誤差を設計によって補正する。 COCAは、粒子軌道におけるエミュレーション誤差を効率的に低減し、MLなしで対応するシミュレーションを実行するよりもはるかに少ない力評価を必要とする。
  論文  参考訳（メタデータ） (2024-09-03T17:27:12Z)
• 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)
• Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
  そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。 物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-08T23:44:54Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• Using a neural network approach to accelerate disequilibrium chemistry calculations in exoplanet atmospheres [0.0]
  本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に着目する。 ネットワークのアーキテクチャは、各入力変数に対する個々のオートエンコーダで構成され、入力次元を減少させる。 その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
  論文  参考訳（メタデータ） (2023-06-12T12:39:21Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Simulation-Based Parallel Training [55.41644538483948]
  このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。 トレーニングプロセスと並行してデータを生成する。 このバイアスをメモリバッファで軽減する戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T09:31:25Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
  最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。 本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。 トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
  論文  参考訳（メタデータ） (2020-06-15T20:59:28Z)

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。