論文の概要: Multi-fidelity prediction of fluid flow and temperature field based on
transfer learning using Fourier Neural Operator
- arxiv url: http://arxiv.org/abs/2304.06972v1
- Date: Fri, 14 Apr 2023 07:46:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 14:25:00.557225
- Title: Multi-fidelity prediction of fluid flow and temperature field based on
transfer learning using Fourier Neural Operator
- Title(参考訳): フーリエニューラル演算子を用いた伝達学習に基づく流体流動と温度場の多面的予測
- Authors: Yanfang Lyu, Xiaoyu Zhao, Zhiqiang Gong, Xiao Kang and Wen Yao
- Abstract要約: 本研究では,フーリエニューラル演算子に基づく新しい多要素学習手法を提案する。
トランスファーラーニングパラダイムの下では、豊富な低忠実度データと限られた高忠実度データを使用する。
提案した多忠実度モデルの精度を検証するために,3つの典型的な流体および温度予測問題を選択する。
- 参考スコア(独自算出の注目度): 10.104417481736833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven prediction of fluid flow and temperature distribution in marine
and aerospace engineering has received extensive research and demonstrated its
potential in real-time prediction recently. However, usually large amounts of
high-fidelity data are required to describe and accurately predict the complex
physical information, while in reality, only limited high-fidelity data is
available due to the high experiment/computational cost. Therefore, this work
proposes a novel multi-fidelity learning method based on the Fourier Neural
Operator by jointing abundant low-fidelity data and limited high-fidelity data
under transfer learning paradigm. First, as a resolution-invariant operator,
the Fourier Neural Operator is first and gainfully applied to integrate
multi-fidelity data directly, which can utilize the scarce high-fidelity data
and abundant low-fidelity data simultaneously. Then, the transfer learning
framework is developed for the current task by extracting the rich low-fidelity
data knowledge to assist high-fidelity modeling training, to further improve
data-driven prediction accuracy. Finally, three typical fluid and temperature
prediction problems are chosen to validate the accuracy of the proposed
multi-fidelity model. The results demonstrate that our proposed method has high
effectiveness when compared with other high-fidelity models, and has the high
modeling accuracy of 99% for all the selected physical field problems.
Significantly, the proposed multi-fidelity learning method has the potential of
a simple structure with high precision, which can provide a reference for the
construction of the subsequent model.
- Abstract(参考訳): 海洋・航空宇宙工学における流体流動と温度分布に関するデータ駆動予測は,近年,その可能性を実証している。
しかし、通常、複雑な物理情報を記述し正確に予測するために大量の高忠実度データが必要であるが、実際には、高い実験/計算コストのために限られた高忠実度データしか利用できない。
そこで本研究では, 豊富な低忠実度データと限られた高忠実度データを融合して, フーリエニューラル演算子に基づく新しいマルチ忠実度学習法を提案する。
まず、分解能不変演算子として、Fourier Neural Operatorを第一に、高忠実度データと豊富な低忠実度データを同時に利用できる多忠実度データを直接統合するために、適宜適用する。
そして、リッチな低忠実度データ知識を抽出して高忠実度モデリングトレーニングを支援するトランスファー学習フレームワークを開発し、データ駆動予測精度をさらに向上させる。
最後に,提案した多忠実度モデルの精度を評価するために,3つの典型的な流体および温度予測問題を選択する。
その結果,提案手法は他の高忠実度モデルと比較して高い有効性を示し,選択したフィールド問題に対して高いモデリング精度が99%であることがわかった。
提案手法は,高精度な単純な構造の可能性を秘めており,その後のモデル構築の参考となる。
関連論文リスト
- Multi-Fidelity Residual Neural Processes for Scalable Surrogate Modeling [20.76939585108783]
マルチフィデリティ・サロゲートモデリングは,複数の情報源からのデータを組み合わせることで,最も高いフィデリティレベルで正確なサロゲートを学習することを目的としている。
ディープラーニングアプローチでは、ニューラルネットワークベースのエンコーダとデコーダを使用してスケーラビリティを向上させる。
我々は,MFRNP(Multi-fidelity Residual Neural Processs)が偏微分方程式の学習や実世界の気候モデリングのタスクにおいて,現状を著しく上回ることを示す。
論文 参考訳(メタデータ) (2024-02-29T04:40:25Z) - Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - FLASH: Federated Learning Across Simultaneous Heterogeneities [54.80435317208111]
FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。
ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。
最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
論文 参考訳(メタデータ) (2024-02-13T20:04:39Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - Multi-fidelity Fourier Neural Operator for Fast Modeling of Large-Scale
Geological Carbon Storage [0.0]
本稿では,大規模炭素貯蔵問題の解決にFNO(Multi-fidelity Fourier Neural operator)を提案する。
我々はまず,GCS貯水池モデル上で110kの格子セルに離散化されたモデルの有効性を検証した。
マルチ忠実度モデルは、同じ量の高忠実度データを81%のコストでトレーニングした高忠実度モデルに匹敵する精度で予測できる。
論文 参考訳(メタデータ) (2023-08-17T17:44:59Z) - Diverse Data Augmentation with Diffusions for Effective Test-time Prompt
Tuning [73.75282761503581]
DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。
DiffTPTがゼロショット精度を平均5.13%向上することを示す。
論文 参考訳(メタデータ) (2023-08-11T09:36:31Z) - Disentangled Multi-Fidelity Deep Bayesian Active Learning [19.031567953748453]
マルチ忠実能動学習は、入力パラメータからシミュレーション出力への直接マッピングを最も高い忠実度で学習することを目的としている。
深層学習に基づく手法は、しばしば隠れ表現に階層構造を課し、低忠実度から高忠実度への情報伝達のみをサポートする。
本稿では,D-MFDAL(Disentangled Multi-fidelity Deep Bayesian Active Learning)と呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-07T23:14:58Z) - Multi-fidelity surrogate modeling for temperature field prediction using
deep convolution neural network [8.98674326282801]
本稿では,温度場予測のための深層多面体モデル (DMFM) を提案する。
低忠実度データを活用することで、高忠実度データの少ないパフォーマンスを向上する。
物理駆動型深層多面体モデル(PD-DMFM)の自己教師付き学習法を提案する。
論文 参考訳(メタデータ) (2023-01-17T03:13:45Z) - A Physics-informed Diffusion Model for High-fidelity Flow Field
Reconstruction [0.0]
本研究では,高忠実度データのみを使用する拡散モデルを提案する。
異なる構成で、本モデルでは、正規の低忠実度サンプルまたはスパース測定サンプルから高忠実度データを再構成することができる。
本モデルでは, 異なる入力源に基づく2次元乱流の正確な再構成結果が得られるが, 再学習は行わない。
論文 参考訳(メタデータ) (2022-11-26T23:14:18Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z)
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。