論文の概要: A Neural PDE Solver with Temporal Stencil Modeling
- arxiv url: http://arxiv.org/abs/2302.08105v1
- Date: Thu, 16 Feb 2023 06:13:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 14:54:53.499633
- Title: A Neural PDE Solver with Temporal Stencil Modeling
- Title(参考訳): 時間軸ステンシルモデルを用いた神経pdeソルバ
- Authors: Zhiqing Sun, Yiming Yang, Shinjae Yoo
- Abstract要約: 最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
- 参考スコア(独自算出の注目度): 44.97241931708181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerical simulation of non-linear partial differential equations plays a
crucial role in modeling physical science and engineering phenomena, such as
weather, climate, and aerodynamics. Recent Machine Learning (ML) models trained
on low-resolution spatio-temporal signals have shown new promises in capturing
important dynamics in high-resolution signals, under the condition that the
models can effectively recover the missing details. However, this study shows
that significant information is often lost in the low-resolution down-sampled
features. To address such issues, we propose a new approach, namely Temporal
Stencil Modeling (TSM), which combines the strengths of advanced time-series
sequence modeling (with the HiPPO features) and state-of-the-art neural PDE
solvers (with learnable stencil modeling). TSM aims to recover the lost
information from the PDE trajectories and can be regarded as a temporal
generalization of classic finite volume methods such as WENO. Our experimental
results show that TSM achieves the new state-of-the-art simulation accuracy for
2-D incompressible Navier-Stokes turbulent flows: it significantly outperforms
the previously reported best results by 19.9% in terms of the highly-correlated
duration time and reduces the inference latency into 80%. We also show a strong
generalization ability of the proposed method to various out-of-distribution
turbulent flow settings. Our code is available at
"https://github.com/Edward-Sun/TSM-PDE".
- Abstract(参考訳): 非線形偏微分方程式の数値シミュレーションは、気象、気候、空気力学などの物理科学や工学現象のモデル化において重要な役割を果たす。
低分解能時空間信号で訓練された最近の機械学習(ML)モデルは、欠けている詳細を効果的に回復できるという条件の下で、高分解能信号の重要なダイナミクスを捕捉する新しい約束を示している。
しかし本研究は,低解像度のダウンサンプリング機能では重要な情報が失われることが多いことを示す。
このような問題に対処するために,我々は,高度時系列シーケンスモデリング(HiPPO特徴)と最先端のニューラルPDEソルバ(学習可能なステンシルモデリング)の強みを組み合わせた,テンポラルステンシルモデリング(TSM)という新しい手法を提案する。
TSMはPDE軌道から失われた情報を復元することを目的としており、WENOのような古典的な有限体積法の時間的一般化と見なすことができる。
実験の結果,TSMは2次元非圧縮性Navier-Stokes乱流に対する新しい最先端シミュレーション精度を実現していることがわかった。
また,提案手法の様々な分布外乱流設定に対する強い一般化能力を示す。
私たちのコードは"https://github.com/Edward-Sun/TSM-PDE"で利用可能です。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - Multi-fidelity reduced-order surrogate modeling [5.346062841242067]
我々は,次元削減と多要素ニューラルネットワークのサロゲートを組み合わせた新しいデータ駆動型戦略を提案する。
このサロゲート法により不安定性と過渡性の開始が良好に捉えられることを示す。
論文 参考訳(メタデータ) (2023-09-01T08:16:53Z) - PDE-Refiner: Achieving Accurate Long Rollouts with Neural PDE Solvers [40.097474800631]
時間依存偏微分方程式(PDE)は、科学や工学においてユビキタスである。
ディープニューラルネットワークに基づくサロゲートへの関心が高まっている。
論文 参考訳(メタデータ) (2023-08-10T17:53:05Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - Learning PDE Solution Operator for Continuous Modeling of Time-Series [1.39661494747879]
この研究は、動的モデリング能力を改善する偏微分方程式(PDE)に基づくフレームワークを提案する。
時間的離散化の反復的操作や特定のグリッドを必要とせずに連続的に処理できるニューラル演算子を提案する。
我々のフレームワークは、現実世界のアプリケーションに容易に適用可能な、ニューラルネットワークの継続的な表現のための新しい方法を開く。
論文 参考訳(メタデータ) (2023-02-02T03:47:52Z) - Predicting the temporal dynamics of turbulent channels through deep
learning [0.0]
最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。
長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
論文 参考訳(メタデータ) (2022-03-02T09:31:03Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - A Note on Learning Rare Events in Molecular Dynamics using LSTM and
Transformer [4.80427355202687]
近年,低次元反応座標のシミュレーションデータを用いてLSTMによるスローダイナミクスの学習に成功した。
本稿では, 言語モデル学習の性能, すなわち反応座標の次元性, 時間分解能, 状態分割の3つの重要な要因について述べる。
論文 参考訳(メタデータ) (2021-07-14T09:26:36Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳(メタデータ) (2021-03-23T09:32:06Z)
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。