論文の概要: Ensemble flow reconstruction in the atmospheric boundary layer from
spatially limited measurements through latent diffusion models
- arxiv url: http://arxiv.org/abs/2303.00836v2
- Date: Mon, 11 Dec 2023 20:54:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 20:40:48.134110
- Title: Ensemble flow reconstruction in the atmospheric boundary layer from
spatially limited measurements through latent diffusion models
- Title（参考訳）: 潜在拡散モデルによる空間的限定測定による大気境界層のアンサンブル流れの再構成
- Authors: Alex Rybchuk, Malik Hassanaly, Nicholas Hamilton, Paula Doubrawa,
Mitchell J. Fulton, Luis A. Mart\'inez-Tossas
- Abstract要約: 機械学習技術は、従来、標準的な流体力学問題において、観測されていない流れ領域を再構築してきた。
これらの技術は3次元大気境界層ではまだ実証されていない。
- 参考スコア（独自算出の注目度）: 0.32955181898067526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to costs and practical constraints, field campaigns in the atmospheric
boundary layer typically only measure a fraction of the atmospheric volume of
interest. Machine learning techniques have previously successfully
reconstructed unobserved regions of flow in canonical fluid mechanics problems
and two-dimensional geophysical flows, but these techniques have not yet been
demonstrated in the three-dimensional atmospheric boundary layer. Here, we
conduct a numerical analogue of a field campaign with spatially limited
measurements using large-eddy simulation. We pose flow reconstruction as an
inpainting problem, and reconstruct realistic samples of turbulent,
three-dimensional flow with the use of a latent diffusion model. The diffusion
model generates physically plausible turbulent structures on larger spatial
scales, even when input observations cover less than 1% of the volume. Through
a combination of qualitative visualization and quantitative assessment, we
demonstrate that the diffusion model generates meaningfully diverse samples
when conditioned on just one observation. These samples successfully serve as
initial conditions for a large-eddy simulation code. We find that diffusion
models show promise and potential for other applications for other turbulent
flow reconstruction problems.
- Abstract（参考訳）: コストと実用上の制約のため、大気境界層でのフィールドキャンペーンは、通常、関心の大気体積のほんの一部しか測定しない。
機械学習技術は, 従来, 標準流体力学問題や二次元物理流の未観測領域の再構築に成功していたが, 大気境界層ではまだ実証されていない。
そこで我々は,大規模渦流シミュレーションを用いて,空間的に限られた測定値を持つフィールドキャンペーンの数値的な類似を行う。
本研究では, 流れの再現を塗装問題とし, 潜伏拡散モデルを用いて乱流3次元流れの現実的なサンプルを再構成する。
拡散モデルは、入力観測が体積の1%未満を占める場合でも、より大きな空間スケールで物理的に妥当な乱流構造を生成する。
定性的可視化と定量的評価を組み合わせることで, 拡散モデルが有意義に多様な試料を生成できることを示す。
これらのサンプルは大規模なシミュレーションコードの初期条件としてうまく機能する。
拡散モデルは,他の乱流再生問題に対する他の応用への期待と可能性を示す。
関連論文リスト
- 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) - Understanding and Visualizing Droplet Distributions in Simulations of
Shallow Clouds [13.200838744804942]
我々は,ドロップレットサイズを整理する上で,新規かつ直感的に可視化する。
液滴スペクトルの進化はエアロゾル準位に類似しているが、異なる速度で起こる。
この類似性は、降水開始過程は、開始時期の変動にもかかわらず類似していることを示している。
論文 参考訳（メタデータ） (2023-10-31T04:25:00Z) - 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 [80.82832715884597]
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。