論文の概要: Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh Transformers

• arxiv url: http://arxiv.org/abs/2302.10803v1
• Date: Thu, 16 Feb 2023 12:59:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-26 13:59:37.555279
• Title: Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh Transformers
• Title（参考訳）: eagle:メッシュトランスフォーマーによる乱流流体力学の大規模学習
• Authors: Steeven Janny, Aur\'elien B\'eneteau, Nicolas Thome, Madiha Nadri, Julie Digne, Christian Wolf
• Abstract要約: 流体力学を推定することは、解決するのが非常に難しい。 問題に対する新しいモデル,メソッド,ベンチマークを導入する。 我々の変換器は、既存の合成データセットと実際のデータセットの両方において、最先端のパフォーマンスより優れていることを示す。
• 参考スコア（独自算出の注目度）: 23.589419066824306
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Estimating fluid dynamics is classically done through the simulation and integration of numerical models solving the Navier-Stokes equations, which is computationally complex and time-consuming even on high-end hardware. This is a notoriously hard problem to solve, which has recently been addressed with machine learning, in particular graph neural networks (GNN) and variants trained and evaluated on datasets of static objects in static scenes with fixed geometry. We attempt to go beyond existing work in complexity and introduce a new model, method and benchmark. We propose EAGLE, a large-scale dataset of 1.1 million 2D meshes resulting from simulations of unsteady fluid dynamics caused by a moving flow source interacting with nonlinear scene structure, comprised of 600 different scenes of three different types. To perform future forecasting of pressure and velocity on the challenging EAGLE dataset, we introduce a new mesh transformer. It leverages node clustering, graph pooling and global attention to learn long-range dependencies between spatially distant data points without needing a large number of iterations, as existing GNN methods do. We show that our transformer outperforms state-of-the-art performance on, both, existing synthetic and real datasets and on EAGLE. Finally, we highlight that our approach learns to attend to airflow, integrating complex information in a single iteration.
• Abstract（参考訳）: 流体力学の推定は、計算が複雑で、ハイエンドのハードウェアでも時間がかかるナビエ・ストークス方程式を解く数値モデルのシミュレーションと積分によって古典的に行われる。 これは、最近機械学習、特にgraph neural networks(gnn)、および固定幾何の静的なシーンにおける静的オブジェクトのデータセット上で訓練され、評価された変種で対処されている、非常に難しい問題である。 既存の作業の複雑さを超えて、新しいモデル、メソッド、ベンチマークを導入しようとしています。 本研究では,非線形シーン構造と相互作用する移動流体源による非定常流体力学のシミュレーションから得られた,1億1100万の2dメッシュからなる大規模データセットeagleを提案する。 EAGLEデータセット上で,将来的な圧力と速度の予測を行うため,新しいメッシュトランスを導入した。 ノードクラスタリング、グラフプーリング、グローバルアテンションを活用して、既存のGNNメソッドのように、多数のイテレーションを必要とせずに、空間的に離れたデータポイント間の長距離依存関係を学習する。 この変換器は,既存の合成データと実データの両方,およびEAGLE上での最先端性能より優れていることを示す。 最後に、我々のアプローチが気流への参加を学び、複雑な情報を1回にまとめることを強調します。

関連論文リスト

• MonST3R: A Simple Approach for Estimating Geometry in the Presence of Motion [118.74385965694694]
  我々は動的シーンから時間ステップごとの幾何を直接推定する新しい幾何学的アプローチであるMotion DUSt3R(MonST3R)を提案する。 各タイムステップのポイントマップを単純に推定することで、静的シーンにのみ使用されるDUST3Rの表現を動的シーンに効果的に適応させることができる。 我々は、問題を微調整タスクとしてポーズし、いくつかの適切なデータセットを特定し、この制限されたデータ上でモデルを戦略的に訓練することで、驚くほどモデルを動的に扱えることを示す。
  論文  参考訳（メタデータ） (2024-10-04T18:00:07Z)
• FlowBench: A Large Scale Benchmark for Flow Simulation over Complex Geometries [19.15738125919099]
  FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットである。 FlowBenchは、複雑な幾何学、結合フロー現象、およびニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができる。
  論文  参考訳（メタデータ） (2024-09-26T16:38:48Z)
• TorchDA: A Python package for performing data assimilation with deep learning forward and transformation functions [7.11946037942663]
  本研究では、状態遷移と観測関数のモデルとして、深層ニューラルネットワークとデータ同化を組み合わせた新しいPythonパッケージを提案する。 ロレンツ63と2次元浅層水系の総合的な実験は、同化を伴わないスタンドアロンモデル予測よりも大幅に性能を向上した。 全体として、この革新的なソフトウェアパッケージは、データ同化内でのディープラーニング表現の柔軟な統合を可能にし、科学的領域にわたる複雑な高次元力学システムに取り組むための汎用ツールを提供する。
  論文  参考訳（メタデータ） (2024-08-30T20:30:34Z)
• Learning Flexible Body Collision Dynamics with Hierarchical Contact Mesh Transformer [19.042551780033765]
  階層型メッシュ構造を用いて長距離依存を学習可能な階層型コンタクトメッシュトランス(HCMT)を提案する。 HCMTは長距離相互作用を可能にし、階層メッシュ構造はすぐに遠くの位置への衝突効果を伝播させる。 その結果,HCMTは既存の手法に比べて大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-12-19T05:30:08Z)
• Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
  本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。 後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。 我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-25T14:27:49Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Benchmarking of Deep Learning models on 2D Laminar Flow behind Cylinder [0.0]
  直接数値シミュレーション(DNS)は計算流体力学におけるタスクの1つである。 これら3つのモデルをオートエンコーダ方式でトレーニングするため、データセットは入力としてモデルに与えられたシーケンシャルフレームとして扱われる。 我々は、最近導入されたTransformerと呼ばれるアーキテクチャが、選択したデータセットでそのアーキテクチャを著しく上回っていることを観察する。
  論文  参考訳（メタデータ） (2022-05-26T16:49:09Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。