論文の概要: Generating Initial Conditions for Ensemble Data Assimilation of
Large-Eddy Simulations with Latent Diffusion Models
- arxiv url: http://arxiv.org/abs/2303.00836v1
- Date: Wed, 1 Mar 2023 21:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 16:44:46.677147
- Title: Generating Initial Conditions for Ensemble Data Assimilation of
Large-Eddy Simulations with Latent Diffusion Models
- Title（参考訳）: 遅延拡散モデルを用いた大規模シミュレーションの組合わせデータ同化の初期条件の生成
- Authors: Alex Rybchuk, Malik Hassanaly, Nicholas Hamilton, Paula Doubrawa,
Mitchell J. Fulton, Luis A. Mart\'inez-Tossas
- Abstract要約: マイクロスケールデータ同化のための大規模シミュレーションコードの初期化には標準的アプローチは存在しない。
我々は潜伏拡散モデルを用いて可塑性初期条件のアンサンブルを生成する。
拡散モデルは地球科学における他の応用の可能性を示唆している。
- 参考スコア（独自算出の注目度）: 0.4893345190925178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In order to accurately reconstruct the time history of the atmospheric state,
ensemble-based data assimilation algorithms need to be initialized
appropriately. At present, there is no standard approach to initializing
large-eddy simulation codes for microscale data assimilation. Here, given
synthetic observations, we generate ensembles of plausible initial conditions
using a latent diffusion model. We modify the original, two-dimensional latent
diffusion model code to work on three-dimensional turbulent fields. The
algorithm produces realistic and diverse samples that successfully run when
inserted into a large-eddy simulation code. The samples have physically
plausible turbulent structures on large and moderate spatial scales in the
context of our simulations. The generated ensembles show a lower spread in the
vicinity of observations while having higher variability further from the
observations, matching expected behavior. Ensembles demonstrate near-zero bias
relative to ground truth in the vicinity of observations, but rank histogram
analysis suggests that ensembles have too little member-to-member variability
when compared to an ideal ensemble. Given the success of the latent diffusion
model, the generated ensembles will be tested in their ability to recreate a
time history of the atmosphere when coupled to an ensemble-based data
assimilation algorithm in upcoming work. We find that diffusion models show
promise and potential for other applications within the geosciences.
- Abstract（参考訳）: 大気状態の時間履歴を正確に再構築するには、アンサンブルに基づくデータ同化アルゴリズムを適切に初期化する必要がある。
現在、マイクロスケールデータ同化のための大規模シミュレーションコードの初期化には標準的アプローチはない。
ここでは, 合成観測を行い, 潜在拡散モデルを用いて, 妥当な初期条件のアンサンブルを生成する。
3次元乱流を扱うために, 元の2次元潜在拡散モデルコードを修正した。
このアルゴリズムはリアルで多様なサンプルを生成し、大規模なシミュレーションコードに挿入するとうまく実行される。
試料は, シミュレーションの文脈において, 大小中小の空間スケールで物理的に有理な乱流構造を有する。
生成したアンサンブルは観測の近傍に低い広がりを示し、観測からさらに高い変動性を示し、期待された振る舞いと一致した。
アンサンブルは観測の近傍の基底真理に対してゼロに近いバイアスを示すが、ランクヒストグラム分析は、理想的なアンサンブルと比較して、アンサンブルはメンバーからメンバーへの変動が少なすぎることを示唆している。
潜在拡散モデルの成功を考えると、生成されたアンサンブルは、今後の作業でアンサンブルベースのデータ同化アルゴリズムと組み合わせて、大気の時間履歴を再現する能力でテストされる。
拡散モデルは地球科学における他の応用の可能性を示唆している。
関連論文リスト
- Light Transport-aware Diffusion Posterior Sampling for Single-View Reconstruction of 3D Volumes [18.076285588021868]
本稿では,雲など複数の光散乱効果が一様であるフィールドの単一ビュー再構成手法を提案する。
我々は、新しいベンチマークデータセットに基づいて訓練された無条件拡散モデルを用いて、体積場の未知分布をモデル化する。
物理的に基づく微分可能な体積は、潜在空間における光輸送に関して体積勾配を与えるために用いられる。
論文 参考訳（メタデータ） (2025-01-09T13:29:54Z) - Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。
近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
論文 参考訳（メタデータ） (2024-10-31T14:26:10Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Isometric Representation Learning for Disentangled Latent Space of Diffusion Models [17.64488229224982]
等方的拡散(Isometric Diffusion)を提案し、幾何正則化器を備えた拡散モデルを用いてモデルを誘導し、トレーニングデータ多様体の幾何学的音響潜在空間を学習する。
このアプローチにより拡散モデルはより不整合な潜在空間を学習することができ、より滑らかで正確に逆転し、潜在空間に直接属性を制御できるようになる。
論文 参考訳（メタデータ） (2024-07-16T07:36:01Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。
生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
論文 参考訳（メタデータ） (2023-05-29T18:20:28Z) - ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion
Trajectories [144.03939123870416]
本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。
いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。
我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
論文 参考訳（メタデータ） (2023-02-05T12:48:21Z) - Diffusion Models in Vision: A Survey [73.10116197883303]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。
拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文 参考訳（メタデータ） (2022-09-10T22:00:30Z) - Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである
MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。
一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文 参考訳（メタデータ） (2021-08-18T09:00:24Z) - Deep-learning-based coupled flow-geomechanics surrogate model for CO$_2$
sequestration [4.635171370680939]
3次元リカレントr-u-netモデルは、深い畳み込みとリカレントニューラルネットワークを組み合わせて、飽和、圧力、表面変位場の空間分布と時間変化を捉える。
サーロゲートモデルは、貯留層内の3D CO2飽和と圧力場、および地球の表面の2D変位マップを予測するために訓練されています。
論文 参考訳（メタデータ） (2021-05-04T07:34:15Z)
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。