論文の概要: Node-Element Hypergraph Message Passing for Fluid Dynamics Simulations
- arxiv url: http://arxiv.org/abs/2212.14545v1
- Date: Fri, 30 Dec 2022 04:10:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 17:43:01.529990
- Title: Node-Element Hypergraph Message Passing for Fluid Dynamics Simulations
- Title(参考訳): 流体力学シミュレーションのためのノード要素ハイパーグラフメッセージパッシング
- Authors: Rui Gao, Indu Kant Deo, Rajeev K. Jaiman
- Abstract要約: 本研究では,ノード要素ハイパーグラフ上にメッセージパッシングネットワークを実装し,流体流れのモデル化のためのネットワーク機能について検討する。
その結果、ノード要素ハイパーグラフ上に定義されたメッセージパッシングネットワークは、より安定で正確な時間的ロールアウト予測を生成することができることがわかった。
- 参考スコア(独自算出の注目度): 4.984601297028257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A recent trend in deep learning research features the application of graph
neural networks for mesh-based continuum mechanics simulations. Most of these
frameworks operate on graphs in which each edge connects two nodes. Inspired by
the data connectivity in the finite element method, we connect the nodes by
elements rather than edges, effectively forming a hypergraph. We implement a
message-passing network on such a node-element hypergraph and explore the
capability of the network for the modeling of fluid flow. The network is tested
on two common benchmark problems, namely the fluid flow around a circular
cylinder and airfoil configurations. The results show that such a
message-passing network defined on the node-element hypergraph is able to
generate more stable and accurate temporal roll-out predictions compared to the
baseline generalized message-passing network defined on a normal graph. Along
with adjustments in activation function and training loss, we expect this work
to set a new strong baseline for future explorations of mesh-based fluid
simulations with graph neural networks.
- Abstract(参考訳): 近年のディープラーニング研究は、メッシュベースの連続体力学シミュレーションにグラフニューラルネットワークを適用している。
これらのフレームワークのほとんどは、各エッジが2つのノードを接続するグラフで動作する。
有限要素法におけるデータ接続にインスパイアされ、エッジではなく要素でノードを接続し、効果的にハイパーグラフを形成する。
このようなノード要素ハイパーグラフ上にメッセージパッシングネットワークを実装し,流体のモデリングにおけるネットワークの能力について検討する。
このネットワークは、円柱周りの流体の流れと翼配置という2つの一般的なベンチマーク問題でテストされている。
その結果,ノード要素ハイパーグラフ上に定義されたメッセージパッシングネットワークは,通常のグラフ上に定義されたベースライン一般化メッセージパッシングネットワークと比較して,より安定かつ正確な時間的ロールアウト予測を生成できることがわかった。
活性化関数の調整とトレーニング損失の調整とともに、この研究は、グラフニューラルネットワークを用いたメッシュベースの流体シミュレーションの今後の探索のための、新たな強力なベースラインを確立することを期待する。
関連論文リスト
- Solving the Discretised Multiphase Flow Equations with Interface
Capturing on Structured Grids Using Machine Learning Libraries [0.6299766708197884]
本稿では,機械学習ライブラリのツールと手法を用いて,離散化した多相流方程式を解く。
はじめて、(訓練されていない)畳み込みニューラルネットワークに基づくアプローチを用いて、多相流の有限要素判別を解くことができる。
論文 参考訳(メタデータ) (2024-01-12T18:42:42Z) - Identification of vortex in unstructured mesh with graph neural networks [0.0]
本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。
2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
論文 参考訳(メタデータ) (2023-11-11T12:10:16Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳(メタデータ) (2023-06-16T04:40:59Z) - Anisotropic Graph Convolutional Network for Semi-supervised Learning [7.843067454030999]
グラフ畳み込みネットワークは、高精度な予測結果を達成するのに有用であることが証明された効率的なノード埋め込みを学習する。
これらのネットワークはグラフの過度な平滑化と縮小効果の問題に悩まされており、それはグラフの端に線形ラプラシア流を用いて拡散するからである。
本稿では,ノードからの情報的特徴を捉える非線形関数を導入し,過度なスムーシングを防止し,半教師付きノード分類のための異方性グラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T13:56:03Z) - Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。
本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
論文 参考訳(メタデータ) (2020-10-20T13:45:47Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳(メタデータ) (2020-05-15T09:17:08Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳(メタデータ) (2020-03-08T13:02:15Z)
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。