論文の概要: Adaptive physics-informed neural operator for coarse-grained
non-equilibrium flows
- arxiv url: http://arxiv.org/abs/2210.15799v2
- Date: Thu, 20 Apr 2023 20:22:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 18:00:10.067749
- Title: Adaptive physics-informed neural operator for coarse-grained
non-equilibrium flows
- Title（参考訳）: 粗粒非平衡流に対する適応物理形ニューラルネットワーク
- Authors: Ivan Zanardi, Simone Venturi, Marco Panesi
- Abstract要約: このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。
提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。
0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This work proposes a new machine learning (ML)-based paradigm aiming to
enhance the computational efficiency of non-equilibrium reacting flow
simulations while ensuring compliance with the underlying physics. The
framework combines dimensionality reduction and neural operators through a
hierarchical and adaptive deep learning strategy to learn the solution of
multi-scale coarse-grained governing equations for chemical kinetics. The
proposed surrogate's architecture is structured as a tree, with leaf nodes
representing separate neural operator blocks where physics is embedded in the
form of multiple soft and hard constraints. The hierarchical attribute has two
advantages: i) It allows the simplification of the training phase via transfer
learning, starting from the slowest temporal scales; ii) It accelerates the
prediction step by enabling adaptivity as the surrogate's evaluation is limited
to the necessary leaf nodes based on the local degree of non-equilibrium of the
gas. The model is applied to the study of chemical kinetics relevant for
application to hypersonic flight, and it is tested here on pure oxygen gas
mixtures. In 0-D scenarios, the proposed ML framework can adaptively predict
the dynamics of almost thirty species with a maximum relative error of 4.5% for
a wide range of initial conditions. Furthermore, when employed in 1-D shock
simulations, the approach shows accuracy ranging from 1% to 4.5% and a speedup
of one order of magnitude compared to conventional implicit schemes employed in
an operator-splitting integration framework. Given the results presented in the
paper, this work lays the foundation for constructing an efficient ML-based
surrogate coupled with reactive Navier-Stokes solvers for accurately
characterizing non-equilibrium phenomena in multi-dimensional computational
fluid dynamics simulations.
- Abstract（参考訳）: 本研究は,非平衡反応流シミュレーションの計算効率を向上させることを目的とした新しい機械学習(ml)に基づくパラダイムを提案する。
このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて次元の縮小とニューラルネットワークを組み合わせることで、化学動力学のための多スケール粗粒化制御方程式の解を学習する。
提案したサロゲートのアーキテクチャは木として構成され、葉ノードは複数のソフト制約とハード制約の形で物理が埋め込まれた別の神経オペレータブロックを表す。
階層属性には2つの利点がある。
一 最も遅い時間スケールから始まる転校学習による研修段階の簡易化を可能にすること。
二 ガスの非平衡の局所的な度合いに基づいて、サロゲートの評価が必要な葉ノードに限られているため、適応性を確保することにより予測を加速する。
このモデルは超音速飛行に適用する化学動力学の研究に応用され、純粋な酸素ガス混合物で試験される。
0次元のシナリオでは、提案するmlフレームワークは、幅広い初期条件において最大相対誤差4.5%の約30種のダイナミクスを適応的に予測することができる。
さらに,1次元衝撃シミュレーションでは,演算子分割統合フレームワークで用いられる従来の暗黙のスキームと比較して,1%から4.5%の精度と1桁の高速化を示す。
本研究は,多次元数値流体力学シミュレーションにおける非平衡現象を正確に特徴づけるために,反応型Navier-Stokes解法と組み合わせた効率的なMLベースサロゲートの構築の基礎となる。
関連論文リスト
- Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。
有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。
本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-11-08T15:22:20Z) - 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) - A physics-informed neural network method for the approximation of slow invariant manifolds for the general class of stiff systems of ODEs [0.0]
我々は、遅い不変多様体(SIM)の発見のための物理インフォームドニューラルネットワーク(PINN)アプローチを提案する。
削減順序のブラックボックスサロゲートモデルを構成する他の機械学習(ML)アプローチとは対照的に,我々のアプローチはベクトル場を高速かつ低速なコンポーネントに分解する。
提案手法は,QSSA,PEA,CSPが提供する手法よりも,同等あるいは高い精度でSIM近似を提供することを示す。
論文 参考訳（メタデータ） (2024-03-18T09:10:39Z) - 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) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - 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) - Machine learning models predict calculation outcomes with the
transferability necessary for computational catalysis [0.4063872661554894]
仮想高スループットスクリーニング(VHTS)と機械学習(ML)は単一部位遷移金属触媒の設計を大幅に加速させた。
本研究では, 触媒設計において, 形状最適化をリアルタイムで監視する畳み込みニューラルネットワークは, 優れた性能と伝達性を利用することができることを示す。
我々は、この優れたモデル転送可能性について、密度汎関数理論計算から生成されたオンザフライ電子構造と幾何情報を用いて合理化する。
論文 参考訳（メタデータ） (2022-03-02T18:02:12Z) - Accelerating Part-Scale Simulation in Liquid Metal Jet Additive
Manufacturing via Operator Learning [0.0]
部分スケールの予測は多くの小規模シミュレーションを必要とする。
LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。
我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
論文 参考訳（メタデータ） (2022-02-02T17:24:16Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。