論文の概要: Deep learning for Lagrangian drift simulation at the sea surface
- arxiv url: http://arxiv.org/abs/2211.09818v1
- Date: Thu, 17 Nov 2022 14:41:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:24:21.738058
- Title: Deep learning for Lagrangian drift simulation at the sea surface
- Title(参考訳): 海面におけるラグランジュドリフトシミュレーションのための深層学習
- Authors: Daria Botvynko (Lab-STICC\_OSE, IMT Atlantique - MEE, ENIB), Carlos
Granero-Belinchon, Simon Van Gennip, Abdesslam Benzinou (ENIB), Ronan Fablet
- Abstract要約: 我々は、ラグランジアン力学のユーレリア・フォッカー・プランク表現にインスパイアされた、DriftNetと呼ばれる新しいアーキテクチャを導入する。
ドリフトネットの完全な畳み込みの性質から、モデル由来の速度を実際のドリフト軌道で診断する方法を探る。
- 参考スコア(独自算出の注目度): 4.691925709249742
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address Lagrangian drift simulation in geophysical dynamics and explore
deep learning approaches to overcome known limitations of state-of-the-art
model-based and Markovian approaches in terms of computational complexity and
error propagation. We introduce a novel architecture, referred to as DriftNet,
inspired from the Eulerian Fokker-Planck representation of Lagrangian dynamics.
Numerical experiments for Lagrangian drift simulation at the sea surface
demonstrates the relevance of DriftNet w.r.t. state-of-the-art schemes.
Benefiting from the fully-convolutional nature of Drift-Net, we explore through
a neural inversion how to diagnose modelderived velocities w.r.t. real drifter
trajectories.
- Abstract(参考訳): 我々は,物理力学におけるラグランジアンドリフトシミュレーションを取り上げ,計算複雑性と誤差伝播の観点から最先端モデルに基づくマルコフ的アプローチの既知の限界を克服する深層学習手法を探求する。
我々は,ラグランジュ力学のeulerian fokker-planck表現に触発された新しいドリフトネットと呼ばれるアーキテクチャを紹介する。
海面でのラグランジアンドリフトシミュレーションの数値実験は、ドリフトネットw.r.t.の最先端スキームの関連性を示している。
ドリフトネットの完全畳み込みの性質から,モデル由来の速度w.r.t.実ドリフトラー軌跡の診断法をニューラルインバージョンで検討した。
関連論文リスト
- Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳(メタデータ) (2024-06-21T13:48:37Z) - Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文 参考訳(メタデータ) (2024-05-31T20:05:17Z) - Constrained Exploration via Reflected Replica Exchange Stochastic Gradient Langevin Dynamics [10.290462113848054]
ReSGLDは、大規模データセットの非二乗学習タスクに有効なツールである。
制約付きマルチモーダル分布と画像分類におけるシミュレーション効率の役割について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:25:03Z) - Fluid Simulation on Neural Flow Maps [23.5602305386658]
本稿では,フローマップの理論に基づく流体シミュレーションにより,暗黙的ニューラル表現の新たなパラダイムをブリッジする新しいシミュレーション手法であるニューラルフローマップを紹介する。
本研究は, 跳躍渦, 衝突渦, 渦再接続, 移動障害物からの渦発生, 密度差など, 様々な困難なシミュレーションシナリオにおいて, 神経流体シミュレーションの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-22T12:13:19Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Lattice real-time simulations with learned optimal kernels [49.1574468325115]
本稿では、強化学習にインスパイアされた量子場のリアルタイムダイナミクスのシミュレーション戦略を提案する。
複雑なLangevinアプローチに基づいて構築され、システム固有の事前情報で修正される。
論文 参考訳(メタデータ) (2023-10-12T06:01:01Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳(メタデータ) (2023-10-11T05:34:36Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-10-12T09:12:59Z) - 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) - Incorporating Kinematic Wave Theory into a Deep Learning Method for
High-Resolution Traffic Speed Estimation [3.0969191504482243]
本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。
我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
論文 参考訳(メタデータ) (2021-02-04T21:51:25Z) - AdvectiveNet: An Eulerian-Lagrangian Fluidic reservoir for Point Cloud
Processing [14.160687527074858]
本稿では,流体力学における自然流現象を動機とした点雲処理のための物理に着想を得たディープラーニング手法を提案する。
我々の学習アーキテクチャは、静的背景格子とラグランジアン物質空間を用いて、移動粒子を用いてユーレリア世界のデータを共同で定義する。
本研究では,様々なポイントクラウドの分類とセグメンテーション問題を最先端性能で解くことで,本システムの有効性を実証する。
論文 参考訳(メタデータ) (2020-02-01T01:21:05Z)
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。