論文の概要: Physics-Constrained Generative Adversarial Networks for 3D Turbulence

• arxiv url: http://arxiv.org/abs/2212.00217v1
• Date: Thu, 1 Dec 2022 01:49:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 17:23:55.194639
• Title: Physics-Constrained Generative Adversarial Networks for 3D Turbulence
• Title（参考訳）: 3次元乱流に対する物理制約付き生成共振ネットワーク
• Authors: Dima Tretiak, Arvind T. Mohan, Daniel Livescu
• Abstract要約: Generative Adversarial Networks(GAN)は、現実的な2D画像を生成する能力について、機械学習(ML)コミュニティの間で広く称賛されている。 本研究では、ニューラルネットワークアーキテクチャにおいて、厳密に課せられるハード制約と呼ばれる物理埋め込みを開発する。 特に, 圧縮性流体乱流における物質保存の制約を強制するために, GANに埋没させることにより, 3次元乱流のキャパシティを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Adversarial Networks (GANs) have received wide acclaim among the machine learning (ML) community for their ability to generate realistic 2D images. ML is being applied more often to complex problems beyond those of computer vision. However, current frameworks often serve as black boxes and lack physics embeddings, leading to poor ability in enforcing constraints and unreliable models. In this work, we develop physics embeddings that can be stringently imposed, referred to as hard constraints, in the neural network architecture. We demonstrate their capability for 3D turbulence by embedding them in GANs, particularly to enforce the mass conservation constraint in incompressible fluid turbulence. In doing so, we also explore and contrast the effects of other methods of imposing physics constraints within the GANs framework, especially penalty-based physics constraints popular in literature. By using physics-informed diagnostics and statistics, we evaluate the strengths and weaknesses of our approach and demonstrate its feasibility.
• Abstract（参考訳）: Generative Adversarial Networks(GAN)は、現実的な2D画像を生成する能力について、機械学習(ML)コミュニティの間で広く称賛されている。 MLはコンピュータビジョン以上の複雑な問題に適用されることが多い。 しかし、現在のフレームワークは、しばしばブラックボックスとして機能し、物理埋め込みが欠如しており、制約や信頼できないモデルを強制する能力が不足している。 本研究では,ニューラルネットワークアーキテクチャにおいて,厳密に拘束され,ハード制約と呼ばれる物理組込みを開発する。 特に非圧縮性流体乱流における質量保存制約を強制するために,ganに埋め込むことで3次元乱流の能力を示す。 また, GANsフレームワーク内の物理制約を課す他の手法, 特に文学で一般的なペナルティに基づく物理制約の効果についても検討・対比する。 物理インフォームド診断と統計学を用いて、我々のアプローチの強みと弱みを評価し、その実現可能性を示す。

関連論文リスト

• Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
  二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。 その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
  論文  参考訳（メタデータ） (2024-10-05T10:32:51Z)
• Physics-Informed Learning of Characteristic Trajectories for Smoke Reconstruction [17.634226193457277]
  既存の物理インフォームドニューラルネットワークは、短期的な物理の制約を強調しており、長期保存の適切な保存は調査を控えている。 ラグランジアン流体軌道を暗黙的にモデル化するためにユーレリアニューラル場を利用した新しい表現であるニューラル特性軌道場を導入する。 この表現に基づいて物理インフォームド・トラジェクトリ・ラーニングとNeRFに基づくシーン再構成への統合を提案する。
  論文  参考訳（メタデータ） (2024-07-12T20:19:41Z)
• A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
  本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。 このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
  論文  参考訳（メタデータ） (2024-03-19T15:21:00Z)
• Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
  我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。 制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。 私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
  論文  参考訳（メタデータ） (2023-06-15T08:33:52Z)
• Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
  まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。 既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。 本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
  論文  参考訳（メタデータ） (2022-06-14T03:38:08Z)
• Automated Dissipation Control for Turbulence Simulation with Shell Models [1.675857332621569]
  機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。 本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。 本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T15:03:52Z)
• Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
  本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。 本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:32Z)
• gradSim: Differentiable simulation for system identification and visuomotor control [66.37288629125996]
  本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。 当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
  論文  参考訳（メタデータ） (2021-04-06T16:32:01Z)
• 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)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• Turbulence Enrichment using Physics-informed Generative Adversarial Networks [0.0]
  我々は乱流生成法を開発した。 損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。 物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-04T06:14:11Z)

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。